A new family of Gaussian processes for modeling animal movement: application to bat telemetry data

तकनीकी सारांश: पशु आंदोलन के मॉडलिंग के लिए गाऊसी प्रक्रियाओं (Gaussian Processes) का एक नया परिवार

समस्या विवरण
पशु आंदोलन (animal movement) का मॉडलिंग पारिस्थितिक और जैविक अनुसंधान के लिए महत्वपूर्ण है, विशेष रूप से आवास के नुकसान और जलवायु परिवर्तन से संकटग्रस्त प्रवासी प्रजातियों को समझने के लिए। इस क्षेत्र में एक महत्वपूर्ण चुनौती ऐसे भविष्यवाणात्मक मॉडल विकसित करना है जो उन प्रक्षेप पथों (trajectories) को सटीक रूप से पकड़ सकें जो मजबूत स्मृति-निर्भर (memory-dependent) आंदोलन प्रदर्शित करते हैं। हालांकि गाऊसी प्रक्रियाएं (GPs) पशु प्रक्षेप पथों का वर्णन करने के लिए स्थापित उपकरण हैं, मौजूदा मॉडल अक्सर दीर्घ-रेंज निर्भरता (long-range dependence - LRD) को दर्शाने में संघर्ष करते हैं, जहाँ दूर के अतीत की स्थितियाँ भविष्य के आंदोलन को प्रभावित करती हैं, लेकिन उस प्रभाव को अत्यधिक बढ़ा-चढ़ाकर नहीं दिखातीं। इसके अलावा, चमगादड़ टेलीमेट्री डेटा पर अनुभवजन्य निदान (empirical diagnostics) बताते हैं कि देखे गए प्रक्षेप पथ अक्सर गैर-स्थिर (non-stationary) होते हैं और स्वाभाविक रूप से स्थिर (intrinsically stationary) नहीं होते हैं, जिससे ऐसे मॉडलों की आवश्यकता होती है जो इन गुणों को समायोजित कर सकें और विशिष्ट स्पर्शोन्मुखी सहप्रसरण (asymptotic covariance) व्यवहार प्रदर्शित कर सकें।

कार्यप्रणाली
लेखक एक नए प्रकार के केंद्रित, गैर-स्थिर गाऊसी प्रक्रियाओं को पेश करते हैं, जिसे $\zeta = (\zeta_t)_{t \geq 0}$ के रूप में चिन्हित किया गया है, जो कुछ ब्रांचिंग कण प्रणालियों (branching particle systems) के पुनर्गठित अधिभोग-समय प्रक्रिया (rescaled occupation-time process) के सीमित उतार-चढ़ाव से व्युत्पन्न है। इसका सहप्रसरण फलन (covariance function) इस प्रकार परिभाषित है:
$$K_f(s, t) := 2 \int_0^{s \wedge t} f(r) \left[ (s+t-2r)\log(s+t-2r) - (s-r)\log(s-r) - (t-r)\log(t-r) \right] dr$$
जहाँ $f: \mathbb{R}^+ \to \mathbb{R}^+$ एक मापने योग्य, स्थानीय रूप से समाकलनीय (locally integrable) वेटिंग फंक्शन है।

अध्ययन दो विशिष्ट उप-परिवारों पर ध्यान केंद्रित करता है:

1. बहुपद भार (Polynomial weights - $C_1$): $f_\alpha(u) = u^\alpha$ जहाँ $\alpha > -1$।
2. चरघातांकीय भार (Exponential weights - $C_2$): $f_{\sigma^2, \beta}(u) = \sigma^2 e^{-\beta u}$ जहाँ $\sigma^2 > 0, \beta \geq 0$।

अनुप्रयोग विश्लेषण के लिए चरघातांकीय उप-परिवार ($C_2$) को चुना गया है क्योंकि इसकी संरचना एकीकृत भिन्नात्मक ऑर्नस्टीन-उहलेनबेक प्रक्रिया ($\mu_H$) के सहप्रसरण के समान है, जो टेलीमेट्री मॉडलिंग में एक सामान्य बेंचमार्क है। लेखक $\zeta$ के परिमित-आयामी वितरणों के लिए $C_2$ विनिर्देश के तहत संभावना फलन (likelihood function) को व्युत्पन्न करते हैं, जिससे $\sigma^2$ और $\beta$ के अधिकतम संभावना अनुमान (MLE) को सक्षम बनाया जा सके।

प्रमुख सैद्धांतिक परिणाम

• धनात्मक निश्चितता (Positive Definiteness): प्रमेय 1 यह स्थापित करता है कि $f$ (स्थानीय समाकलनीयता) के लिए पर्याप्त स्थितियाँ क्या हैं ताकि $K_f$ एक वैध सहप्रसरण फलन हो।
• दीर्घ-रेंज निर्भरता (LRD): प्रस्ताव 1 दर्शाता है कि यह प्रक्रिया $\kappa = 1$ के सूचकांक के साथ LRD प्रदर्शित करती है। विशेष रूप से, एक निश्चित अतीत की स्थिति और एक दूर के भविष्य की स्थिति के बीच सहप्रसरण लघुगणकीय क्रम (logarithmic order) में बढ़ता है:
  $$\lim_{T \to \infty} \frac{E(\zeta_r \zeta_{s+T})}{\log(T)} = 2 \int_0^r f(u)(r-u) du$$
  यह बहुपद सहप्रसरण वृद्धि वाले मॉडलों के विपरीत है, जो दूर के अतीत के प्रभाव को अधिक "सौम्य" (milder) तरीके से बनाए रखता है।
• स्थिरता गुण (Stationarity Properties): यह दिखाया गया है कि प्रक्रिया गैर-स्थिर है और यदि भार संहत अंतरालों (compact intervals) पर $1 \asymp f$ को संतुष्ट करता है, तो यह संहत समय अंतरालों पर स्वाभाविक रूप से स्थिर नहीं है।
• पथ गुण (Path Properties): यह सिद्ध किया गया है कि इस प्रक्रिया में $[0, 1]$ पर अनंत कुल भिन्नता (infinite total variation) और शून्य द्विघात भिन्नता (zero quadratic variation) है, जिसका अर्थ है कि यह एक सेमीमार्तिन्गेल (semimartingale) नहीं है। इसमें विशिष्ट नियमितता सूचकांकों के आधार पर हॉल्डर निरंतर पथ (Hölder continuous paths) होते हैं।

अनुप्रयोग और अनुभवजन्य परिणाम
प्रस्तावित मॉडल को जर्मनी में पांच चमगादड़ों के त्रि-आयामी प्रवासी आंदोलन डेटा (Teague O'Mara et al., 2019 के टेलीमेट्री डेटा से) पर लागू किया गया।

• डेटा निदान: अनुभवजन्य विश्लेषण (रोलिंग मीन, वेरिएंस, ADF, KPSS, और DFA परीक्षण) ने संकेत दिया कि कच्चे टेलीमेट्री श्रृंखला गैर-स्थिर हैं। प्रथम अंतर (First differencing) ने सभी श्रृंखलाओं में स्थिरता को समान रूप से प्रेरित नहीं किया, और DFA घातांक सभी श्रृंखलाओं के लिए 1 से अधिक था, जो मजबूत बड़े पैमाने की निर्भरता का सुझाव देता है।
• मॉडल फिटिंग: प्रस्तावित $\zeta$ प्रक्रिया को देशांतर (longitude) और अक्षांश (latitude) निर्देशांकों के लिए अलग-अलग फिट किया गया।
• तुलनात्मक प्रदर्शन: प्रस्तावित मॉडल की तुलना कई प्रतिस्पर्धी मॉडलों से की गई, जिनमें भिन्नात्मक ऑर्नस्टीन-उहलेनबेक स्थिति मॉडल ($\mu_H$), एकीकृत ऑर्नस्टीन-उहलेनबेक ($\mu_{1/2}$), भिन्नात्मक ब्राउनियन गति ($\sigma W_H$), और स्थिर संयुग्मी हाइपरजियोमेट्रिक और स्टाइन-टाइप मॉडल शामिल थे।
  • प्रस्तावित $\zeta$-प्रकार के मॉडल ने दस में से दो निर्देशांक श्रृंखलाओं में सबसे छोटा अकीके सूचना मानदंड (AIC) प्राप्त किया।
  • भिन्नात्मक ऑर्नस्टीन-उहलेनबेक मॉडल ($\mu_H$) ने सात श्रृंखलाओं में सबसे अच्छा फिट प्राप्त किया।
  • दस में से नौ डेटासेट्स में, पसंदीदा मॉडल इनमें से एक गैर-स्थिर, गैर-स्वाभाविक रूप से स्थिर LRD मॉडल था।
  • विशेष रूप से, चमगादड़ #4 के देशांतर के लिए, $\beta=0$ (स्थिर भार) वाला सीमा मॉडल सबसे उपयुक्त रहा, जो यह सुझाव देता है कि कुछ प्रक्षेप पथों के लिए, जब $H > 1/2$ हो, तो $\mu_H$ द्वारा प्रेरित बहुपद वृद्धि की तुलना में लघुगणकीय वृद्धि शासन (logarithmic growth regime) अधिक उपयुक्त हो सकता है।

महत्व और दावे
यह शोध दावा करता है कि प्रस्तावित गाऊसी प्रक्रियाओं का परिवार उन स्थितियों में पशु आंदोलन के मॉडलिंग के लिए एक उपयोगी विकल्प प्रदान करता है जहाँ प्रक्षेप पथ मजबूत स्मृति प्रदर्शित करते हैं, लेकिन जहाँ बहुपद सहप्रसरण वृद्धि (जैसा कि भिन्नात्मक ब्राउनियन गति या एकीकृत भिन्नात्मक ऑर्नस्टीन-उहलेनबेक मॉडलों में देखा जाता है) दूर के अतीत की स्थितियों के प्रभाव को बढ़ा-चढ़ाकर दिखा सकती है। सहप्रसरण का लघुगणकीय स्पर्शोन्मुखी विकास एक विशिष्ट LRD संरचना प्रदान करता है जो दूर के अतीत के योगदान को अधिक "सौम्य" तरीके से बनाए रखता है।

लेखक इस बात पर जोर देते हैं कि यह मॉडल मजबूत स्मृति क्षमताओं वाली प्रजातियों, जैसे कि चमगादड़, चिम्पांजी और हाथियों के लिए विशेष रूप से प्रासंगिक है। व्यावहारिक अनुप्रयोग को सुगम बनाने के लिए, उन्होंने अनुमान कोड जारी किया है और सिमुलेशन, अनुमान और भविष्यवाणी के लिए एक इंटरैक्टिव R Shiny एप्लिकेशन विकसित किया है।

सीमाएं और भविष्य की दिशाएं
अध्ययन इस तथ्य को स्वीकार करता है कि अनकोरिलेटेड निर्देशांक प्रक्रियाओं (देशांतर और अक्षांश) का अनुमान लगाना विश्लेषण को सरल बनाता है, लेकिन यदि क्रॉस-निर्देशांक निर्भरता नगण्य नहीं है, तो यह अपर्याप्त हो सकता है। एक प्राकृतिक विस्तार के रूप में प्रस्तावित विस्तार है कि मॉडल का एक बहु-आयामी संस्करण विकसित किया जाए। इसके अतिरिक्त, जबकि अधिकतम संभावना अनुमानक (MLE) व्युत्पन्न किए गए हैं, $C_1$ और $C_2$ परिवारों के भीतर पैरामीटर अनुमान के लिए स्पर्शोन्मुखी परिणाम वर्तमान में उपलब्ध नहीं हैं, जो भविष्य के अनुसंधान के लिए एक दिशा है।