- 4 次围观
1）错误定位在动物追踪数据中无处不在，并且 notoriously 难以去除，尤其是在无监督条件下更是如此。无论是由卫星几何条件不佳、大气干扰、标签故障，还是蓄意的 GNSS 欺骗或干扰所致，这类离群点都会传播到移动速率、家域范围、栖息地选择和行为状态的估计中。现有筛查程序依赖于固定速度阈值过滤、要求规则采样或距离阈值，或者基于模型方法对位置进行平滑；然而，这类方法往往难以拟合异质性数据，或者仅止于生成诊断图，将最终决策留给分析人员。此外，基于移动度量的离群点检验通常共享一个结构性盲点：它们能够捕捉与邻近点过渡极端的点，却会漏掉空间上连贯的块状错误，因为这些错误块内部的度量表现看起来是正常的。 2）我在开源 R 包 move2utils 中引入了 mt_clean_track() 函数。该函数以一条移动轨迹作为输入，返回附加了离群标记的同一轨迹，并提供一个分类读出，用以说明“哪一种证据”触发了每个标记。该方法结合了一套级联式离群点检测方法，建立在四个思想之上：用户无需指定的数据驱动阈值；四种互补的检测器，每一种都能够捕捉其他检测器在结构上无法识别的一类错误（即布朗桥几何残差、基于移动度量的概率检验、尺度不变的路径—位移绕行比，以及步长层面的生理速度上限）；以及一个基于图的块扩展步骤，用于恢复逐点评分无法触及的连贯错误序列。基于各个底层方法所产生的标记，我采用一种基于一致性的启发式组合规则，根据单一方法标记的数量及其确定性水平来构建某一位置的共识标记，并同时采用其他共识推导方法。 3）我在一组合成轨迹上评估了该方法，这些轨迹涵盖了孤立尖峰、漂移片段、持续欺骗区块、静止晕环式 GPS 抖动以及多状态迁徙异常，并将其与四种已有替代方法进行了比较（朴素速度上限法、atlastools、trip::sda、SDLfilter）。该级联方法在每一条轨迹上都恢复了注入的离群点，取得了所有轨迹组中最高的平均 F1 值（在用户参数为零时为 0.86；最接近的竞争方法在手工调优阈值下为 0.80），并且是唯一一个能够以可用精度恢复连贯欺骗区块的工具（30/30，而逐点竞争方法仅为 1--3/30）。在一条干净的参考轨迹上，除 trip::sda 外，所有工具都产生了很低或接近于零的假阳性。对桥残差的方向分解还进一步将离群点检测重新表述为错误分类：被标记定位点在二维残差平面中的位置揭示了该错误究竟是垂直漂移、沿轨跳变，还是在两个轴上幅度都极端的异常。 4）提供逐位置离群评分、数据驱动阈值、错误形态读出，以及一个在默认形式下无需任何参数的单一清洗级联入口，旨在使 GPS 追踪数据中的离群点筛查成为运动生态学分析流程中的常规且可复现步骤。该离群点去除级联方法是 move2utils 包的一部分，可通过 https://github.com/move2universe/move2utils 获取。
1). 错误位置在动物追踪数据中普遍存在，并且极难剔除，尤其是在无监督条件下更是如此。无论是由卫星几何条件不佳、大气干扰、标签故障，还是蓄意的 GNSS 欺骗或干扰所致，这类离群点都会传播到运动速率、家域范围、栖息地选择和行为状态的估计之中。现有筛查程序依赖于固定速度阈值过滤、要求规则采样、使用距离阈值，或基于模型方法对位置进行平滑；然而，这类方法往往难以拟合异质性数据，或者仅停留在生成诊断图的层面，将最终决策留给分析人员。
此外，基于运动度量的离群点检验通常还存在一个结构性盲区：它们能够捕捉与相邻点之间转移极端的点，却会漏掉空间上连贯的块状错误，因为这类错误块的内部在度量上看起来是正常的。
2). 我引入了 mt_clean_track()，这是开源 R 包 move2utils 中的一个函数。它以运动轨迹为输入，并返回同一条附加了离群标记的轨迹，同时给出一个分类式读出，说明“何种类型的证据”触发了每个标记。
该方法结合了一组级联式离群检测方法，建立在四个思想之上：用户无需指定的数据驱动阈值；四种互补的检测器，每一种都能捕捉其他方法在结构上无法捕捉的一类错误（即布朗桥几何残差、基于运动度量的概率检验、尺度不变的路径—位移绕行比，以及步级生理速度上限）；以及一个基于图的块扩展步骤，用于恢复逐点评分无法触及的连贯错误序列。基于各个底层方法所提出的标记，我采用一种基于一致性的启发式组合规则，根据单一方法标记的数量及其确定性水平，为某一位置构建共识标记，并同时采用其他共识推导方法。
3). 我在一组综合轨迹上评估了该方法，这些轨迹涵盖孤立尖峰、漂移片段、持续欺骗区块、静止光环型 GPS 抖动，以及多状态迁移异常，并将其与四种既有替代方法进行了比较（朴素速度上限、atlastools、trip::sda、SDLfilter）。
该级联方法在每条轨迹上都恢复了注入的离群点，实现了跨队列平均 F1 值最高的表现（在零用户参数条件下为 0.86；最接近的竞争方法在手动调优阈值下为 0.80），并且是唯一能够以可用精度恢复连贯欺骗区块的工具（30/30，而逐点竞争方法仅为 1--3/30）。
在一条干净的参考轨迹上，除 trip::sda 外，所有工具都产生了极低或为零的假阳性。
此外，对桥残差进行方向分解还将离群点检测重新界定为错误分类问题：一个被标记定位点在二维残差平面中的位置能够揭示该错误究竟是垂直漂移、沿轨跳变，还是在两个轴向上均表现为幅值极端。
4）提供逐位置离群值评分、数据驱动阈值、误差形态读出，以及一个在默认形式下无需任何参数的单一清洗级联入口，其目的在于使GPS追踪数据的离群值筛查成为运动生态学分析流程中的常规且可复现步骤。 离群值去除级联是 move2utils 软件包的一部分，可通过 https://github.com/move2universe/move2utils 获取。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.11.737894v1?rss=1
🏷️ 动物运动轨迹 离群点检测 GNSS定位误差 无监督方法 R包开发