Путешествие по Арктике: использование машинного обучения для кластеризации самок белых медведей на основе…

Данные о местоположении непрерывного случайного блуждания с корреляцией во времени (CTCRW) белого медведя, полученные на основе спутниковых данных о местоположении, Чукотское море и море Бофорта, июль-ноябрь 1985–2017 гг.

Этот набор данных получен из репозитория Научного центра Аляски, и он состоит из одной таблицы с предполагаемым местонахождением взрослых самок белых медведей в период с июля по ноябрь 1985–2017 годов, которая используется для количественной оценки изменений в летнем землепользовании с течением времени. Местоположения были оценены с помощью модели непрерывного случайного блуждания с корреляцией по времени (CTCRW), подходящей для спутникового слежения за взрослыми самками белых медведей с радиоошейниками. Все медведи, включенные в этот набор данных, были отловлены и проанализированы в море Бофорта или Чукотском море.

Эти данные использовались для оценки тенденций в структуре землепользования белых медведей в ответ на изменение состояния морского льда. Эти данные были собраны в рамках продолжающихся долгосрочных исследований Геологической службы США в море Бофорта и Службы рыболовства и дикой природы США в Чукотском море, чтобы понять экологию и поведение белых медведей, а также их сезонное использование наземных и местообитания на морском льду.

Набор данных содержит следующие функции:

UniqueAnimalID: уникальный идентификатор, присвоенный каждому медведю в наборе данных.

mu_lat: расчетная широта, полученная с помощью модели CTCRW для заданной метки времени.

mu_long:
Расчетная долгота, полученная с помощью модели CTCRW для заданной метки времени.

se_mu_x:стандартная ошибка среднего расчетного местоположения (mu_lat) по модели CTCRW на основе расчетной ошибки для классов местоположения Argos и местоположений GPS, а также разницы во времени между последовательными эмпирическими данными отслеживания местоположения.

se_mu_y:стандартная ошибка среднего расчетного местоположения (mu_lon) по модели CTCRW на основе расчетной ошибки для классов местоположения Argos и местоположений GPS, а также разницы в прошедшем времени между последовательными эмпирическими данными отслеживания местоположения.

Сезонные узоры женского белого медведя

Давайте проверим данные и выберем медведя, чтобы увидеть любой паттерн:

Судя по предоставленным данным, эта самка белого медведя провела свой осенний сезон в районе Чукотского моря к северу от Аляски, который является известным местом обитания белых медведей. Координаты 73,045260 градусов северной широты и -155,557790 градусов западной долготы находятся в непосредственной близости от Пойнт-Хоуп, прибрежного города на севере Аляски.

В летний сезон она находилась южнее, около 71,791230 градуса северной широты и -140,651381 градуса западной долготы. Это место находится в непосредственной близости от реки Юкон, которая протекает через Аляску и территорию Юкон в Канаде. Возможно, медведь передвигался по реке в поисках пищи.

Наконец, в течение зимнего сезона она вернулась в тот же район, что и осенью, около 71,900543 градуса северной широты и -155,558248 градуса западной долготы. Это место снова находится недалеко от Пойнт-Хоуп, что указывает на то, что у медведя может быть сезонный ареал обитания в этом районе.

Важно отметить, что эти координаты представляют собой среднюю широту и долготу для данного сезона, поэтому медведь мог перемещаться в пределах определенного диапазона в течение каждого сезона. Тем не менее, эта информация дает представление об общих схемах передвижения этого конкретного белого медведя и подчеркивает важность этих конкретных мест для сохранения среды обитания этого вида.

Кластеризация заботливых мишек

Разработка функций

Чтобы создать кластеры, мы сначала выполним разработку некоторых функций. Для более качественных кластеров мы рассчитаем следующие функции:

Общее расстояние, пройденное каждым белым медведем
Средняя широта и средняя долгота

Создание модели

Давайте импортируем необходимые библиотеки Python:

import pandas as pdimport numpy as np
from sklearn.cluster import KMeans
from haversine import haversine, Unit

Мы будем использовать мощный алгоритм k-средних для создания кластеров, эффективно группируя и классифицируя поведение самок белых медведей. Применяя этот надежный метод кластеризации, мы можем выявить различные закономерности и сходства в их движениях, что позволяет всесторонне понять их поведение. Алгоритм k-средних позволяет нам идентифицировать естественные группировки в данных, облегчая исследование различных кластеров и их уникальных характеристик. Благодаря этому подходу мы стремимся получить ценную информацию о разнообразных моделях поведения, демонстрируемых самками белых медведей, что в конечном итоге способствует более глубокому пониманию их реакции на факторы окружающей среды и информированию о целенаправленных усилиях по сохранению.

# Load the data into a pandas dataframe
df=pd.read_csv("/kaggle/input/ositos/polarBear_CTCRWlocations_chukchiBeaufort_1985-2017.csv")
# Filter out any extreme values or missing data
df = df[(df['mu_lat'] < 90) & (df['mu_lat'] > -90) & (df['mu_lon'] < 180) & (df['mu_lon'] > -180)]
df.dropna(subset=['mu_lat', 'mu_lon'], inplace=True)
# Calculate the average latitude and longitude for each UniqueAnimalID
avg_lat_lon = df.groupby("UniqueAnimalID")[["mu_lat", "mu_lon"]].mean()
# Calculate the total distance traveled by each bear
total_distance = df.groupby("UniqueAnimalID").apply(lambda group: 
    np.sum([haversine((group.iloc[i]["mu_lat"], group.iloc[i]["mu_lon"]), 
                      (group.iloc[i+1]["mu_lat"], group.iloc[i+1]["mu_lon"]), 
                      unit=Unit.KILOMETERS) 
            for i in range(len(group)-1)])
)
# Create a new dataframe with one row for each bear
new_df = pd.DataFrame({
    "UniqueAnimalID": avg_lat_lon.index,
    "AvgLatitude": avg_lat_lon["mu_lat"].values,
    "AvgLongitude": avg_lat_lon["mu_lon"].values,
    "TotalDistance": total_distance.values
})
# Cluster the bears using k-means
kmeans = KMeans(n_clusters=5)
clusters = kmeans.fit_predict(new_df[["AvgLatitude", "AvgLongitude", "TotalDistance"]])
# Add the cluster labels to the dataframe
new_df["Cluster"] = clusters

Как только мы получим результаты, давайте проанализируем поведение самок белых медведей:

cluster_summary = new_df.groupby("Cluster").agg(
    {"UniqueAnimalID": "count",
     "AvgLatitude": "mean",
     "AvgLongitude": "mean",
     "TotalDistance": "mean"
    }
)
# Print the summary statistics for each cluster
print(cluster_summary)

Кластерный анализ

Мы нанесем на карту местонахождение самок белых медведей, используя библиотеку Plotly Express. Маркеры будут окрашены в зависимости от назначенного кластера, а размер маркера будет представлять общее пройденное расстояние. Эта визуализация даст представление об их поведении и пространственных закономерностях.

# Plot the data on a map, with the markers colored by cluster
fig = px.scatter_mapbox(new_df, lat="AvgLatitude", lon="AvgLongitude",
                        color="Cluster", hover_name="UniqueAnimalID",
                        size="TotalDistance", zoom=3,title=' Female Polar Bears Average Location' )
fig.update_layout(mapbox_style="open-street-map")
fig.show()

Известно, что в районе морей Чукотки и Бофорта самки белых медведей преодолевают большие расстояния в поисках пищи, партнеров и подходящих мест обитания. Предоставленные данные включают информацию о местонахождении и схемах передвижения самок белых медведей в этом регионе, сгруппированных в кластеры на основе их средней широты, долготы и общего пройденного расстояния в км.

Скопления, встреченные в Чукотском море и море Бофорта.

«Чукотские морские жители»

Кластер 0 состоит из 187 белых медведей со средней широтой 71,85 и средней долготой -91,63. Эти медведи преодолели в общей сложности 1686 км. Эти медведи, кажется, предпочитают Чукотское море, расположенное к западу от Аляски.

На основании предоставленной информации мы можем назвать Кластер 0 как «Чукотские морские жители». Этот кластер состоит из белых медведей, которые преимущественно держались в районе Чукотского моря, что указывает на предпочтение этого района. Медведи в этом скоплении прошли относительно меньшее расстояние по сравнению с другими скоплениями, что позволяет предположить, что они могли найти подходящие места обитания и источники добычи в Чукотском море.

"Исследователи моря Бофорта"

Кластер 1 состоит из 54 белых медведей, которые имеют среднюю широту 72,74 и среднюю долготу -139,31. Эти медведи преодолели общее расстояние 6811 км. Эти медведи ушли далеко от Чукотского моря, в море Бофорта, расположенное к северу от Аляски, возможно, в поисках источников пищи, более обильных в этом районе.

На основании предоставленной информации мы можем назвать кластер 1 «Бофорт Си Эксплорерс». Это скопление состоит из белых медведей, которые преодолели относительно большое расстояние, чтобы добраться до моря Бофорта, расположенного к северу от Аляски. Средняя широта и долгота этих медведей указывают на то, что они находятся далеко от своего первоначального местонахождения в Чукотском море. Возможно, эти медведи отправились в море Бофорта в поисках источников пищи, которых в этом районе может быть больше. Относительно большое расстояние, которое преодолевают эти медведи, говорит о том, что они способны преодолевать большие расстояния в поисках пищи и других ресурсов.

"Ледяные охотники"

Кластер 2 состоит из 17 белых медведей со средней широтой 73,19 и средней долготой -128,95. Эти медведи преодолели в общей сложности 11 579 км. Эти медведи, по-видимому, покрыли большую территорию, двигаясь от Чукотского моря к морю Бофорта, возможно, в поисках добычи по морскому льду.

На основании предоставленной информации мы можем назвать кластер 2 «Ледяные охотники». Это скопление состоит из белых медведей, прошедших относительно большое расстояние от Чукотского моря в сторону моря Бофорта. Средняя широта и долгота этих медведей указывают на то, что они покрыли большую территорию, чем другие скопления, возможно, чтобы следить за движением морского льда и искать добычу. Относительно большое расстояние, которое преодолевают эти медведи, говорит о том, что они способны преодолевать большие расстояния в поисках ресурсов. Название «Охотники за льдом» отражает поведение этих медведей, поскольку они, кажется, активно отслеживают движения морского льда.

"Странник"

Кластер 3 состоит только из 1 белого медведя со средней широтой 71,99 и средней долготой -143,35. Он также проехал в общей сложности 26 299 км. На основании предоставленной информации мы можем назвать кластер 3 "Странник". Средняя широта и долгота этого медведя позволяют предположить, что он ушел далеко от своего первоначального местонахождения в Чукотском море и море Бофорта, возможно, из-за потери морского льда в его первоначальной среде обитания. Название «Странник» отражает поведение этого медведя, поскольку ему приходилось преодолевать большие расстояния, чтобы найти подходящие места обитания. Это путешествие медведя подчеркивает проблемы, с которыми сталкиваются белые медведи из-за изменения климата и потери морского льда, а также важность изучения их движений и поведения, чтобы лучше понять и защитить этот исчезающий вид.

Бродяги

Кластер 4 состоит из 147 белых медведей со средней широтой 72,61 и средней долготой -111,73. Эти медведи преодолели в общей сложности 3567 км. Эти медведи, кажется, предпочитают Чукотское море, но также двинулись в сторону моря Бофорта, возможно, в поисках источников пищи.

"Бродяги". Это название отражает поведение этих белых медведей, когда они бродят по Чукотскому морю и морям Бофорта, преодолевая в среднем расстояние 3567 км. Эти медведи, кажется, предпочитают Чукотское море, но не боятся отправиться в море Бофорта в поисках добычи. Название «Бродяги» подчеркивает кочевое поведение этих белых медведей и их готовность исследовать свое окружение в поисках пищи и ресурсов.

Хотя Кластеры 1 и 4 могут иметь схожие предпочтения как для Чукотского моря, так и для моря Бофорта, между ними можно отметить несколько различий:

Размер скопления: скопление 1 состоит из 54 белых медведей, а скопление 4 состоит из 147 белых медведей. Кластер 4 является более крупным кластером, что указывает на то, что в этом регионе может быть больше белых медведей с похожими моделями движения.
Общее пройденное расстояние: белые медведи из кластера 1 преодолели в общей сложности 6 811 км, а медведи из кластера 4 преодолели в общей сложности 3 567 км. Это говорит о том, что белые медведи в Кластере 1 преодолели большее расстояние и, возможно, ушли дальше от своих предпочтительных мест обитания в поисках пищи или ресурсов.
Различия в долготе: средняя долгота белых медведей в кластере 1 составляет -139,31, а средняя долгота белых медведей в кластере 4 составляет -111,73. Это указывает на то, что белые медведи из кластера 1 с большей вероятностью могут быть обнаружены в восточной части моря Бофорта, а белые медведи из кластера 4 — в западной части Чукотского моря.

Эти различия в размере скоплений, общем пройденном расстоянии и долготном распределении позволяют предположить, что, хотя оба скопления могут иметь схожие предпочтения для Чукотского моря и моря Бофорта, они могут иметь разные модели движения и поведения.

В целом, модели движения самок белых медведей в Чукотском море и море Бофорта сложны и зависят от многих факторов, таких как состояние морского льда, наличие добычи и пригодность среды обитания. Группируя этих медведей на основе их моделей движения, мы можем получить представление об их поведении и факторах, влияющих на их движения. Эти идеи могут быть полезны при разработке стратегий сохранения для защиты этих уязвимых видов и мест их обитания.

Заключение

В заключение, текущий анализ был сосредоточен на группировании перемещений самок белых медведей из Чукотского моря и морей Бофорта на основе исторических данных. Хотя мы успешно идентифицировали закономерности и сгруппировали их в кластеры, необходима дальнейшая работа и точное предсказание их будущих движений.

Двигаясь вперед, нашим следующим шагом будет разработка прогностических моделей для прогнозирования будущих перемещений самок белых медведей. Эти модели будут учитывать различные факторы, такие как условия окружающей среды, наличие источников пищи, структура морского льда и другие соответствующие переменные. Интегрируя эти точки данных, мы стремимся предоставить более точные прогнозы относительно местонахождения и траекторий движения самок белых медведей в ближайшие годы.

Эта работа будет способствовать лучшему пониманию моделей поведения и передвижения самок белых медведей, поможет в усилиях по сохранению и разработке целевых стратегий управления. Точно предсказывая их перемещения, мы можем заранее решать потенциальные проблемы и принимать меры для обеспечения долгосрочного выживания и благополучия этих великолепных существ в их естественной среде обитания.

Сочетая анализ данных, статистическое моделирование и текущие исследования, мы стремимся углубить наше понимание перемещений самок белых медведей и их реакции на изменяющиеся условия окружающей среды. Благодаря постоянному совершенствованию наших прогностических моделей мы стремимся предоставлять ценную информацию научному сообществу, политикам и природоохранным организациям, позволяя принимать обоснованные решения и разрабатывать эффективные стратегии сохранения для будущего этих знаковых арктических видов.