📊 statistics

Multidimensional Integral Fractional Ornstein--Uhlenbeck Process with an Application to Animal Movement

यह शोध पत्र पशु संचलन को मॉडल करने के लिए समन्वय-विशिष्ट मापदंडों के साथ इंटीग्रल फ्रैक्शनल ऑर्नस्टीन-उहलेनबेक प्रक्रिया को एक बहुआयामी ढांचे तक विस्तारित करता है, इसके सैद्धांतिक गुणों को स्थापित करता है और तीन-आयामी चमगादड़ टेलीमेट्री डेटा के सिमुलेशन और विश्लेषण के माध्यम से इसके अनुप्रयोग को प्रदर्शित करता है।

मूल लेखक: J. H. Ramírez-González, Erick A. Chacón-Montalván, Paula Moraga, Ying Sun

प्रकाशित 2026-08-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: J. H. Ramírez-González, Erick A. Chacón-Montalván, Paula Moraga, Ying Sun

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

गति के अदृश्य धागे

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक व्यक्ति भीड़भाड़ वाले शहर में कैसे चलता है। आप केवल यह देख सकते हैं कि वे विशिष्ट क्षणों पर कहाँ हैं—जैसे कि हर मिनट एक फोटो लेना। लेकिन इससे वह जादू छूट जाता है: वह सहज प्रवाह, अचानक रुकना, वह तरीका जिससे एक यात्री अपने पिछले मोड़ को याद रख सकता है और अपना रास्ता बदल सकता है, या यह कि कैसे एक दिशा में उनकी गति दूसरी दिशा में उनकी गति से गुप्त रूप से जुड़ी हो सकती है। यह एनिमल टेलीमेट्री (animal telemetry) का मूल है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक छोटे जीपीएस टैग का उपयोग करके जानवरों को ट्रैक करते हैं। चुनौती यह है कि ये टैग एक सुचारू फिल्म रिकॉर्ड नहीं करते; वे अनियमित समय पर स्नैपशॉट लेते हैं। इसे समझने के लिए, सांख्यिकीविद् गणितीय मॉडल का उपयोग अंतराल को भरने के लिए करते हैं, उन बिंदुओं को जोड़ने वाली अदृश्य "वेग" (velocity) की कल्पना करते हैं।

लंबे समय तक, वैज्ञानिकों ने ऑर्नस्टीन-उहलेनबेक प्रक्रिया (Ornstein-Uhlenbeck process) नामक एक मॉडल का उपयोग किया। इसे एक ऐसे नशे में धुत व्यक्ति की तरह समझें जो घर जा रहा है: वह बेतरतीब ढंग से घूमता है, लेकिन एक सौम्य बल (एक पट्टे की तरह) उसे एक सीधे रास्ते की ओर वापस खींचता है। यह मॉडल अल्पकालिक स्मृति के लिए बहुत अच्छा है, लेकिन यह अतीत को बहुत जल्दी भूल जाता है। हालाँकि, वास्तविक जानवरों की अक्सर "लंबी याददाश्त" होती है। एक पक्षी एक घंटे पहले के हवा के पैटर्न को याद रख सकता है और आज अपनी उड़ान को समायोजित कर सकता है। इसे पकड़ने के लिए, वैज्ञानिकों ने फ्रैक्शनल (Fractional) मॉडल विकसित किए, जो एक "हर्स्ट पैरामीटर" (Hurst parameter) जोड़ते हैं—एक ऐसा डायल जो यह नियंत्रित करता है कि अतीत भविष्य को कितना प्रभावित करता है। यदि डायल को ऊपर घुमाया जाता है, तो जानवर की गति अधिक निरंतर हो जाती है, जैसे कि एक गहरे चैनल में बहती नदी, न कि बेतरतीब ढंग से छिटकने वाला पानी का गड्ढा। लेकिन अब तक, इनमें से अधिकांश मॉडलों ने अलग-अलग दिशाओं में (जैसे पूर्व-पश्चिम, उत्तर-दक्षिण और ऊपर-नीचे) एक जानवर की गति को तीन अलग-अलग, असंबद्ध कहानियों के रूप में माना।

पेपर का बड़ा विचार: एक त्रि-आयामी नृत्य

यह शोध पत्र तीन आयामों में जानवरों को ट्रैक करने का एक नया, अधिक परिष्कृत तरीका पेश करता है: देशांतर (पूर्व-पश्चिम), अक्षांश (उत्तर-दक्षिण), और ऊंचाई (ऊपर-नीचे)। लेखकों, जे.एच. रामिरेज़-गोंजालेज और सहयोगियों ने एक "मल्टीडायमेंशनल इंटीग्रल फ्रैक्शनल ऑर्नस्टीन-उहलेनबेक" (या mifOU) प्रक्रिया बनाई है। इस नए मॉडल का उपयोग करने के लिए एक चंचल उपमा की कल्पना करें, मान लीजिए कि चमगादड़ों का एक झुंड एक अंधेरी गुफा में उड़ रहा है। पुराने मॉडलों में, आप चमगादड़ के बाएं पंख, दाएं पंख और पूंछ को तीन स्वतंत्र नर्तकों के रूप में ट्रैक कर सकते हैं, जिनमें से प्रत्येक की अपनी लय है। नया मॉडल यह महसूस करता है कि ये हिस्से वास्तव में एक साथ नाच रहे हैं, एक-दूसरे का हाथ थामे हुए हैं। यदि चमगादड़ बाईं ओर मुड़ता है, तो उसकी पूंछ केवल बेतरतीब ढंग से नहीं हिलती; वह पंखों के साथ एक समन्वित, गणितीय रूप से जुड़े हुए तरीके से चलती है।

लेखकों ने एक गणितीय ढांचा बनाया है जो प्रत्येक दिशा को अपना अनूठा व्यक्तित्व (अपनी गति, अपना "स्मृति" डायल, और एक सीधे पथ पर लौटने की अपनी प्रवृत्ति) रखने की अनुमति देता है, जबकि साथ ही उन्हें एक साझा, अदृश्य "फ्रैक्शनल ब्राउनियन मोशन" चालक द्वारा एक साथ बांधा जाता है। यह चालक एक ऑर्केस्ट्रा के कंडक्टर की तरह कार्य करता है, यह सुनिश्चित करता है कि पूर्व-पश्चिम, उत्तर-दक्षिण और ऊपर-नीचे की गतियाँ सामंजस्यपूर्ण हों, लेकिन अनिवार्य रूप से एक जैसी न हों। उन्होंने सिद्ध किया कि यह जटिल नृत्य गणितीय रूप से वैध है और उन्होंने इसे कंप्यूटर पर सिम्युलेट करने का एक तरीका विकसित किया, जिससे शोधकर्ता जानवर की छिपी हुई गति और दिशा को फिर से बना सकते हैं, भले ही जीपीएस डेटा विरल या अव्यवस्थित हो।

उन्होंने क्या पाया: चमगादड़ प्रवास का रहस्य

अपने नए मॉडल का परीक्षण करने के लिए, टीम ने जर्मनी में प्रवास करने वाले पांच कॉमन नॉक्ट्यूल चमगादड़ों (common noctule bats) के वास्तविक डेटा का अध्ययन किया। इन चमगादड़ों को घंटों तक ट्रैक किया गया था, जिसमें तीन आयामों में उनके स्थान दर्ज किए गए थे (हालांकि पांच में से केवल तीन चमगादड़ों के पास ऊंचाई का डेटा था)। शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने एक विशाल सांख्यिकीय प्रतियोगिता आयोजित की। उन्होंने अपने नए, उन्नत 3D मॉडल को सरल मॉडलों के खिलाफ खड़ा किया जो दिशाओं को अलग मानते थे या "लंबी याददाश्त" के पहलू को अनदेखा करते थे।

यहाँ डेटा ने, चमगादड़ दर चमगादड़, क्या खुलासा किया:

चमगादड़ 1 और 2: ये दो चमगादड़ अकेले रहने वाले थे। पूर्व-पश्चिम और उत्तर-दक्षिण दिशाओं में उनकी गति को सरल, स्वतंत्र मॉडलों द्वारा सबसे अच्छी तरह समझाया गया था। उनके बीच क्षैतिज दिशाओं में कोई मजबूत, समन्वित लिंक नहीं दिखा। जटिल 3D मॉडल ने यहाँ अधिक मूल्य नहीं जोड़ा।
चमगादड़ 3 और 4: ये समन्वित तैराक (synchronized swimmers) थे। इन दोनों के लिए, डेटा चिल्लाकर कह रहा था कि उनकी पूर्व-पश्चिम और उत्तर-दक्षिण गतियाँ गहराई से जुड़ी हुई थीं। सबसे अच्छा मॉडल नया mifOU था, जिसने उनकी क्षैतिज दिशाओं के बीच एक मजबूत सहसंबंध (चमगादड़ 3 के लिए लगभग 0.64 और चमगादड़ 4 के लिए 0.58) दिखाया। यह ऐसा था जैसे वे एक सख्त, समन्वित लय के साथ उड़ रहे हों। दिलचस्प बात यह है कि इन चमगादड़ों के लिए, उनकी ऊंचाई (ऊपर-नीचे की गति) एक अलग कहानी लग रही थी, जो उनके क्षैतिज पथ से मजबूती से जुड़ी नहीं थी।
चमगादड़ 5: यह चमगादड़ एक अनिश्चित तत्व (wildcard) था। डेटा थोड़ा मिला-जुला था। हालांकि सबसे अच्छा मॉडल अभी भी एक सरल, स्वतंत्र मॉडल ही था, लेकिन नया जटिल मॉडल दूसरे स्थान पर बहुत करीब था। यह सुझाव देता है कि चमगादड़ 5 में कुछ समन्वय हो सकता था, लेकिन यह चमगादड़ 3 और 4 जितना स्पष्ट नहीं था।

अध्ययन ने यह भी पुष्टि की कि ये जानवर केवल सरल, अल्पकालिक पैटर्न में नहीं चलते हैं। चमगादड़ 3 और 4 के लिए, "लंबी याददाश्त" वाला पहलू महत्वपूर्ण था; उनकी आज की गतिविधियाँ इस बात से भारी रूप से प्रभावित थीं कि वे अतीत में कहाँ रहे थे, एक ऐसी विशेषता जिसे पुराने मॉडल मिस कर देते।

यह क्यों मायने रखता है

यह पेपर केवल यह नहीं कहता कि "हमारे पास एक नया फॉर्मूला है।" यह वन्यजीवों की छिपी हुई जटिलता को समझने के लिए एक टूलकिट प्रदान करता है। यह दिखाकर कि कुछ जानवर मिलकर 3D पैटर्न में चलते हैं जबकि अन्य स्वतंत्र रूप से चलते हैं, लेखक सुझाव देते हैं कि हम सभी वन्यजीवों के लिए एक ही प्रकार के मॉडल का उपयोग नहीं कर सकते। नया तरीका वैज्ञानिकों को जानवर की अदृश्य वेग को पुनर्गठित करने की अनुमति देता है, जिससे उन्हें दुनिया में नेविगेट करने का एक स्पष्ट चित्र मिलता है। हालांकि विशिष्ट चमगादड़ों के परिणाम स्पष्ट हैं, लेखक नोट करते हैं कि जब डेटा विरल होता है या सहसंबंध बहुत कमजोर होते हैं, तो इन कनेक्शनों का अनुमान लगाना कठिन होता है। हालांकि, उन चमगादड़ों के लिए जिन्होंने मजबूत समन्वय दिखाया, नए मॉडल ने सफलतापूर्वक उस नृत्य को पकड़ा जो पहले विज्ञान के लिए अदृश्य था।

तकनीकी सारांश: बहुआयामी इंटीग्रल फ्रैक्शनल ऑर्नस्टीन–उहलेन प्रक्रिया और पशु गतिशीलता पर इसका अनुप्रयोग

समस्या विवरण
पशु टेलीमेट्री डेटा एक सांख्यिकीय चुनौती प्रस्तुत करता है: स्थान (locations) को असतत (discrete), अक्सर अनियमित समय पर रिकॉर्ड किया जाता है, जबकि गतिशीलता निरंतर विकसित होती है। जबकि निरंतर-समय वेग मॉडल (जैसे कि ऑर्नस्टीन–उहलेन प्रक्रिया) स्थिति को वेग के इंटीग्रल के रूप में मानकर इस समस्या का समाधान करते हैं, शास्त्रीय मॉडल वेग सहप्रसरण (velocity covariance) के घातीय क्षय (exponential decay) को मानते हैं, जो केवल अल्प-दूरी की अस्थायी निर्भरता का संकेत देते हैं। स्मृति (memory) या दीर्घ-दूरी की निर्भरता (long-range dependence) से प्रभावित गति पैटर्न के लिए यह सीमा समस्यात्मक है। रामीरेज़-गोंज़ालेज और सन (2026) द्वारा किए गए पिछले कार्य ने दीर्घ-दूरी की निर्भरता को कैप्चर करने के लिए हर्स्ट पैरामीटर ( $H$ ) के माध्यम से इंटीग्रल फ्रैक्शनल ऑर्नस्टीन–उहलेन (ifOU) प्रक्रिया का परिचय दिया था। हालाँकि, इन विश्लेषणों ने स्थानिक निर्देशांकों (जैसे, देशांतर और अक्षांश) को स्वतंत्र रूप से माना, जिससे निर्देशांकों के बीच निर्भरता को मॉडल करने में विफलता हुई। इसके अलावा, ifOU को बहुआयामी सेटिंग में विस्तारित करना गैर-तुच्छ (non-trivial) है; अलग-अलग हर्स्ट पैरामीटर ( $H_i$ ) वाले निर्देशांकों के बीच मनमाने युग्व सहसंबंध (pairwise correlations) अमान्य सहप्रसरण संरचनाओं की ओर ले जा सकते हैं।

कार्यप्रणाली
लेखक बहुआयामी इंटीग्रल फ्रैक्शनल ऑर्नस्टीन–उहलेन (mifOU) प्रक्रिया का प्रस्ताव करते हैं। मॉडल स्थिति वेक्टर $\mu_H(t) \in \mathbb{R}^p$ को वेग वेक्टर $v_H(t)$ के टेम्पोरल इंटीग्रल के रूप में परिभाषित करता है, जहाँ प्रत्येक निर्देशांक का वेग एक बहुचर फ्रैक्शनल ब्राउनियन मोशन (mfBm) द्वारा संचालित एक फ्रैक्शनल ऑर्नस्टीन–उहलेन प्रक्रिया का अनुसरण करता है।

मुख्य पद्धतिगत घटक शामिल हैं:

सहप्रसरण निर्माण (Covariance Construction): मॉडल संचालित mfBm के लिए एक "वेल-बैलेंस्ड" विशिष्टता का उपयोग करता है, जो सुनिश्चित करता है कि क्रॉस-कोवेरियन्स उनके समय तर्कों (time arguments) में सममित (symmetric) हों। स्थिति क्रॉस-कोवेरियन्स को ड्राइविंग नॉइज़ कोवेरियन्स के इंटीग्रल ट्रांसफॉर्मेशन के माध्यम से व्युत्पन्न किया जाता है।
अनुमेय सहसंबंध क्षेत्र (Admissible Correlation Region): लेखक स्थापित करते हैं कि संयुक्त सहप्रसरण के वैध (positive semidefinite) होने के लिए, सहसंबंध पैरामीटर प्रत्येक निर्देशांक के हर्स्ट पैरामीटर ( $H_i$ ) पर निर्भर विशिष्ट परिमित-आयामी बाधाओं को संतुष्ट करने चाहिए। वे गामा फंक्शन और साइन टर्म्स वाले एक मैट्रिक्स कंडीशन का उपयोग करके इस अनुमेय क्षेत्र को लक्षणित करते हैं।
पैरामीट्राइजेशन (Parametrization): सकारात्मक-निश्चितता (positive-definiteness) की बाधाओं का उल्लंघन किए बिना लाइकलीहुड ऑप्टिमाइजेशन को सुगम बनाने के लिए, लेखक एक बायजेक्टिव मैपिंग (एक LKJ-प्रकार का आंशिक-सहसंबंध पैरामीट्राइजेशन) पेश करते हैं जो अनकन्स्ट्रेंड वेरिएबल्स को अनुमेय सहसंबंध क्षेत्र में परिवर्तित करता है।
अनुमान और सिमुलेशन (Inference and Simulation): स्थिति प्रक्रिया का परिमित-आयामी वितरण गाऊसी (Gaussian) है। यह निम्नलिखित की अनुमति देता है:
- पूर्ण पैरामीटर वेक्टर (डैम्पिंग $\beta$ , स्केल $\sigma$ , हर्स्ट $H$ , और सहसंबंध $\rho$ ) का मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE)।
- एक रिकर्सिव एल्गोरिदम के माध्यम से परिमित-आयामी सिमुलेशन।
- प्रेक्षित स्थितियों से कंडीशनल वेग पुनर्निर्माण।
निर्भरता गुण (Dependence Properties): सैद्धांतिक विश्लेषण से पता चलता है कि प्रक्रिया न तो स्थिर (stationary) है और न ही आंतरिक रूप से स्थिर (intrinsically stationary) है। पृथक इंक्रीमेंट्स (increments) के लिए दीर्घ-दूरी की निर्भरता (LRD) तब होती है जब एक निर्देशांक युग्म के हर्स्ट पैरामीटर्स का योग ( $H_i + H_j$ ) 1 से भिन्न होता है। विशेष रूप से, यदि $H_i + H_j > 1$ है, तो युग्म दीर्घ स्मृति (long memory) प्रदर्शित करता है; यदि $H_i + H_j \leq 1$ है, तो यह लघु स्मृति (short memory) प्रदर्शित करता है।

परिणाम
शोध पत्र दो मुख्य प्रकार के परिणाम प्रस्तुत करता है: संख्यात्मक प्रयोग और पशु टेलीमेट्री पर एक अनुप्रयोग।

संख्यात्मक प्रयोग:
- एक एकल सिम्युलेटेड 3D प्रक्षेपवक्र (trajectory) से सभी मापदंडों (स्केल, डैम्पिंग, हर्स्ट, और क्रॉस-कोरिलेशन) के संयुक्त अनुमान से सटीक अनुमान प्राप्त हुए, जिसमें 99% कॉन्फिडेंस इंटरवल वास्तविक मानों को समाहित करते हैं।
- कंडीशनल वेलोसिटी रिकंस्ट्रक्शन ने शोर युक्त (noisy) स्थिति डेटा से लेटेंट वेलोसिटी ट्रेजेक्टरीज को सफलतापूर्वक पुनर्गठित किया।
- सहसंबंध अनुमान अध्ययनों ने दिखाया कि जबकि मध्यम सहसंबंध कम पूर्वाग्रह (bias) के साथ अनुमानित होते हैं, कमजोर सहसंबंध कम सटीक रहते हैं। फिक्स्ड-होराइजन ग्रिड रिफाइनमेंट के तहत, सहसंबंध अनुमानों का रूट मीन स्क्वेर्ड एरर (RMSE), अवलोकन ग्रिड के सूक्ष्म होने पर कम हो जाता है।
चमगादड़ प्रवास (Bat Migration) पर अनुप्रयोग:
इस मॉडल को जर्मनी में प्रवास कर रहे पांच सामान्य नोक्ट्यूल चमगादड़ों के टेलीमेट्री डेटा पर लागू किया गया (जिनमें से तीन के पास ऊंचाई के माप थे)।
- सीमांत विश्लेषण (Marginal Analysis): सर्वोत्तम-फिटिंग मार्जिनल मॉडल व्यक्तिगत और निर्देशांक के अनुसार भिन्न थे। उदाहरण के लिए, चमगादड़ 3 की ऊंचाई के लिए फ्रैक्शनल ब्राउनियन मोशन (fBM) सबसे उपयुक्त था, जबकि चमगादड़ 4 की ऊंचाई के लिए एक नॉन-स्टेशनरी $\zeta$ प्रक्रिया सबसे उपयुक्त थी।
- निर्भरता विश्लेषण:
  - चमगादड़ 1 और 2: क्षैतिज निर्देशांकों के लिए स्वतंत्र मॉडल (यूनिवेरिएट फिट का उत्पाद) को सहसंबद्ध मॉडलों की तुलना में प्राथमिकता दी गई।
  - चमगादड़ 3 और 4: देशांतर-अक्षांश युग्म के लिए सहसंबद्ध ifOU मॉडल के पक्ष में मजबूत साक्ष्य मिले, जिसमें क्रमशः $\approx 0.64$ और $\approx 0.58$ के अनुमानित सहसंबंध पाए गए। चमगादड़ 3 के लिए पूर्ण 3D मॉडल प्रतिस्पर्धी रहे, जो ऊंचाई से जुड़ी संभावित निर्भरता का सुझाव देते हैं।
  - चमगादड़ 5: स्वतंत्र मॉडल को प्राथमिकता दी गई, हालांकि एक सहसंबद्ध मॉडल भी प्रतिस्पर्धी रहा ( $\Delta$ AIC $\approx 2$ )।
- संवेदनशीलता (Sensitivity): मॉडल रैंकिंग आमतौर पर विभिन्न समय रिज़ॉल्यूशन (30s, 1min, 2min) में स्थिर रही, हालांकि विशिष्ट मार्जिनल फैमिली विकल्प (जैसे, कॉन्फ्लुएंट बनाम fBM) पेनल्टी मानदंड (AIC बनाम BIC) के प्रति संवेदनशीलता दिखाते हैं।

प्रमुख योगदान

सैद्धांतिक विस्तार: यह शोध पत्र यूनिवेरिएट ifOU प्रक्रिया को बहुआयामी सेटिंग में विस्तारित करता है, जो निर्भर पशु प्रक्षेपवक्रों को मॉडल करने के लिए एक कठोर ढांचा प्रदान करता है।
वैधता और पैरामीट्राइजेशन: यह संयुक्त सहप्रसरण कर्नेल (covariance kernel) की वैधता की शर्तों को स्थापित करता है और एक व्यावहारिक पुनर्रचना (reparametrization) प्रदान करता है जो लाइकलीहुड ऑप्टिमाइजेशन के दौरान वैध सहप्रसरण मैट्रिसेस सुनिश्चित करता है, जिससे पोस्ट-होक पॉजिटिव-डेफिनेटनेस जाँच की आवश्यकता समाप्त हो जाती है।
कंप्यूटेशनल फ्रेमवर्क: लेखक सिमुलेशन, लाइकलीहुड इन्फरेंस और कंडीशनल वेलोसिटी रिकंस्ट्रक्शन के लिए एल्गोरिदम विकसित करते हैं, जिससे यह मॉडल वास्तविक दुनिया के, विरल रूप से नमूना लिए गए (sparsely sampled) टेलीमेट्री डेटा के लिए लागू हो जाता है।
अनुभवजन्य अंतर्दृष्टि (Empirical Insight): अनुप्रयोग यह प्रदर्शित करता है कि मार्जिनल टेम्पोरल स्ट्रक्चर और क्रॉस-कोऑर्डिनेट डिपेंडेंसी का आकलन अलग-अलग किया जाना चाहिए। अध्ययन से पता चलता है कि जबकि कुछ चमगादड़ समन्वित गति (सहसंबद्ध ifOU) प्रदर्शित करते हैं, अन्य स्वतंत्र रूप से चलते हैं, और ऊंचाई की निर्भरता आमतौर पर क्षैतिज निर्भरता से कमजोर होती है।

महत्व और दावे
लेखक दावा करते हैं कि mifOU प्रक्रिया पशु गतिशीलता का विश्लेषण करने के लिए एक लचीला, सांख्यिकीय रूप से वैध उपकरण प्रदान करती है जो दीर्घ-दूरी की अस्थायी निर्भरता और अंतर-निर्देशांक सहसंबंधों दोनों को कैप्चर करती है। वे इस बात पर जोर देते हैं कि उनका दृष्टिकोण निर्देशांकों में समान धारणाएं थोपे बिना मार्जिनल डायनेमिक्स और निर्भरता संरचनाओं के संयुक्त अनुमान की अनुमति देता है। शोध पत्र निष्कर्ष निकालता है कि जबकि मॉडल विशिष्ट मामलों (चमगादड़ 3 और 4) में मजबूत निर्भरता की पहचान करने में सफल रहा, निर्भरता के प्रमाण सार्वभौमिक नहीं हैं, और मार्जिनल कोवेरियन्स फैमिली का चुनाव व्यक्तियों के बीच काफी भिन्न होता है। यह कार्य फ्रैक्शनल प्रक्रियाओं के पशु टेलीमेट्री में उपयोग का समर्थन करता है लेकिन स्थानिक आयामों में स्टेशनैरिटी या समान मेमोरी व्यवस्था को मानने के प्रति सावधानी बरतने का सुझाव देता है। वे विनम्रतापूर्वक नोट करते हैं कि उनके संख्यात्मक प्रयोग परिमित-नमूना प्रदर्शन का वर्णन करते हैं और संयुक्त एस्टीमेटर के एसिम्प्टोटिक गुणों को स्थापित नहीं करते हैं।

गति के अदृश्य धागे

पेपर का बड़ा विचार: एक त्रि-आयामी नृत्य

उन्होंने क्या पाया: चमगादड़ प्रवास का रहस्य

यह क्यों मायने रखता है

इसी तरह के और पेपर