自然保护区亚洲象活动行为监测方法研究

李艳杰，召玉龙

(云南西双版纳国家级自然保护区科学研究所，云南 景洪 666100)

1 引言

因自然环境保护的较为完整，云南省西双版纳地区也成为我国首批自然保护区中的一个。首批西双版纳自然保护区共有4处，分别为勐仑、小勐养、大勐龙和勐腊[1]。发展到目前为止，西双版纳地区的自然保护区的规划面积达到3.5万hm2，生态环境适合30多种濒危植物生长，容纳国家保护动物高达100多种。野生的亚洲象就是其中的一种，亚洲象在西双版纳地区数量达到200多头，但亚洲象作为大型动物，经常会出现在人类活动的范围并对人类的财产进行破坏[2，3]。

野生动物一般不会主动到人类的生存范围内活动[5]。经过相关学者的观察和总结可知，造成野生亚洲象活动范围超出赖以生存的原因有很多，其中的一个主要原因在于其栖息范围不断地缩小。几十年来，西双版纳人口翻了一倍，人口的增多势必要占用更多的土地和资源，与野生动物的需求发生了矛盾[6]。再加上偷猎行为屡禁不止，造成象群的恐慌和迁徙。迁徙后的土地没有足够的食物，象群只好冒险来人类的地盘觅食[7，8]。

为有效保护亚洲象群，对亚洲象活动行为展开监测变得十分重要，这也是帮助象群恢复正常生活的重要一步。为此，本研究设计了自然保护区亚洲象活动行为监测方法。

2 亚洲象活动行为监测方法设计

2.1 利用声音监测技术提取活动信号

动物的不同行为会发出不同的声音，根据亚洲象不同活动发出的不同声音来判断它的活动。声音信息的处理分为采集声音、处理声音和声音数字化三部分。主要是利用提前放置在自然保护区的传感器，采集大象日常活动的声音。

以大象最常见的进食行为举例，可以采集到吞咽和咀嚼的声音。由于自然保护区中的生物很多，为了避免采集大量的无用数据，在处理声音数据的时候会进行干扰排除[9]。大象的活动声音主要是通过麦克风进行收集，而干扰排除的处理工作是依靠n50032芯片实现。将活动声音作为采集节点最终发送到信号接收器中，再由网络传输到PC端口进行声音信息化处理。由于野生大象无法像家养动物一样佩戴监测项圈，因此，发送信号的传感器的覆盖范围一定要覆盖整个大象日常的活动范围才能保证搜集的信息完整。

在声音监听的时候如果大象出现了异常的行为，例如，长鸣、奔跑等，可能是出现了偷猎现象，一定要及时联系有关部门进行救助和抓捕偷猎[10]。声音传感器和干扰排除算法的结合可以实现对大象行为的收集，进食饮水活动行为是否正常也可以间接判断大象的身体健康，实现数字化监控。但只通过声音的判断终究是片面的，还应结合视觉上的判断，设计视觉监控的机器来监测亚洲象的活动行为。

2.2 使用视觉监控机器

为了克服单一监测方式的局限性，可以将视觉监控机器与声音信号传感器相结合，利用视频监测精准地采集到亚洲象进食活动时下颌部位的运动轨迹，然后将运动汇集通过信息转换成质心轨迹曲线实现对大象进食频率的监测。

在亚洲象休息的时候，可以利用视觉监控机器来观察大象呼吸的频率和腹部的起伏情况，以此来收集大象正常活动的心跳数据。与佩戴在动物身上的随身监测机器相比，视频监控机器不会影响大象的正常活动，也不会因为大象的剧烈运动而导致机器脱落[11-12]。且视觉监控机器无线传感节点易固定，身量小巧在野外环境中方便隐藏，对监测环境要求不高，适合监测野生动物的行为。将行为信息收集完整后，最后一步就是根据亚洲象的习性对行为进行分类，判断是正常行为还是异常行为。

2.3 利用人工神经网络技术进行行为分类和预测

目前，常用的识别算法包括K均值聚类、贝叶斯决策、人工神经网络算法、支持向量算法等。经过对比和筛选，本文最终选择利用人工神经网络技术对亚洲象的行为实施分类处理。

人工神经网络技术能够利用数学方法来完成对信息的高效处理，且具有自适应较强的特点，适合用于进行动物行为识别。将声音信息和视频收集的信息作为参数可以将动物的异常行为识别出来[13，14]，也可以通过参数的规律进行行为预测。

人工神经网络技术还可以通过象群的平均进食量计算当前的栖息环境的食物是否充足。如果象群出现异常活动，可以人工神经网络技术的计算结果判断是否因为食物稀缺造成。专业人员就根据异常行为的原因给出解决方案[15]。一旦象群离开自然保护区的活动范围，通过声音识别和视频监测对象群实时定位，通过人工网路技术计算人类活动范围的距离，并对象群实施路线引导，引导象群远离人类村庄，避免对人类的生命财产造成威胁。

3 仿真监测实验

为验证上述方法的有效性，以云南省某自然保护区为实验环境设计如下仿真实验。模拟两头成年大象的行动轨迹进行检测研究。实验环境中，大象的活动范围自由，有充足的食物和水源供给，检测时间为早9点到第二天早9点，为期24 h。对比本文设计的活动行为监测方法和传统的高清监视器监测方法、基于人工算法的监测方法的监测效果。

3.1 实验准备

仿真定位实验为了达到逼真的实验效果，在实验环境中设置障碍和树木，地形的构建也是凹凸不平。将实验范围中设置8个节点作为节点参考，以实验环境的左上方为坐标远点，定位部署示意图如图1所示。

图1 定位节点部署示意

对图1的节点部署图进行分析，根据传感器的通讯半径计算和距离拟合结果，定位节点的通讯半径最终定位200 m，8个节点对于实验场地实现信号全覆盖，因此，节点在实验中途移动并不影响实验最终的定位效果。节点的覆盖效率如表1所示。

基于表1的节点的覆盖效率，布置参考节点的时候高度设置为20m，8处节点处于同一高度。仿真平台的定位节点的网络地址修改为协调器状态。为保证定位测试结果不具备偶然性进行3次测试，并定位模拟亚洲象的坐标。

3.2 实验结果与分析

3种方法的定位坐标的结果如表2。

表1 节点的信号覆盖效率

表2 测试结果

通过表2的坐标信息可以计算出，本文设计的检测方法3次测试的平均定位误差为0.86 m，监视器监测方法的定位平均误差为3.48 m，基于人工算法的监测方法的定位平均误差为2.73 m。误差数据的对比结果显示，本文设计的活动行为监测方法的定位误差更小，监测的结果更准确。

4 结论

对西双版纳自然保护区亚洲象的活动行为展开监测，对于有效监管象群具有重要意义。本文利用声音监测和视觉监控的方式监测亚洲象活动行为，且所使用的监测设备缩小了视频监测器的大小，使其更适用于在野外环境中工作。此外，本研究结合了人工神经网络技术对亚洲象的行为进行了分类和预测，进一步优化了监测效果。综上所述，本文研究能够为促进野生动物监测技术的发展奠定良好基础。