CRAN 任务视图：跟踪数据的处理和分析

此 CRAN 任务视图 (CTV) 包含一个用于处理和分析跟踪数据的包列表。如果您只想查看此版本 CTV 的新增内容，请点击 这里。请参阅下面的 如何引用 Tracking CTV.

物体的运动（包括生物和非生物）定义为其地理位置随时间的变化，因此运动数据可以由空间和时间成分定义。跟踪数据至少由二维空间坐标 (x,y) 和时间索引 (t) 组成，可以看作是物体路径的几何表示（轨迹）。这里列出的包，以下称为跟踪包，是那些专门用于创建、转换或分析跟踪数据（即 (x,y,t)）的包，允许从跟踪设备的原始数据到最终分析结果的完整工作流程。换句话说，跟踪包必须具有一个或多个函数，这些函数以跟踪数据作为输入或输出。例如，一个使用加速度计、陀螺仪和磁力计数据通过航位推算重建物体轨迹（最可能是动物轨迹）的包，从而将这些数据转换为 (x,y,t) 格式，将符合定义。但是，分析加速度计序列以检测行为变化的包将不符合（请注意，此 CTV 的末尾有一个专门的部分用于处理运动但不是跟踪数据的包）。有关更多信息，请参阅 Joo 等人 (2020).

关于 (x,y)，一些包可能假设二维欧几里得（笛卡尔）坐标，而另一些包可能假设地理（经度/纬度）坐标。我们鼓励用户验证包中坐标的处理方式，因为结果在空间属性（例如距离、速度和角度）方面可能很重要。

除了这些软件包之外，许多其他软件包也包含用于数据处理和分析的功能，这些功能最终可用于跟踪数据或从跟踪数据获得的二阶/三阶变量；我们鼓励用户查看其他 CRAN 任务视图，例如 SpatioTemporal、Spatial 和 TimeSeries。

该 CTV 的灵感来自 Joo 等人 (2020) 对跟踪软件包的回顾，旨在不断更新回顾中已描述的软件包列表。因此，CTV 采用与回顾类似的结构。

我们欢迎并鼓励您 贡献 以随时添加软件包。要提交新软件包，请在 GitHub 存储库中打开一个问题，并按照此 链接 进行操作。

目录

• 预处理
• 后处理
• 分析
  • 可视化
  • 轨迹描述
  • 路径重建
  • 行为模式识别
  • 空间和栖息地利用特征
  • 轨迹模拟
  • 跟踪数据的其他分析
• 处理运动数据但不处理跟踪数据
• 技术说明
• 引用和致谢
• 相关链接

预处理

当原始数据不是跟踪数据格式时，需要进行预处理。用于预处理的方法在很大程度上取决于所用生物记录设备的类型。在跟踪软件包中，一些软件包专注于 GLS（全球定位传感器），另一些则专注于无线电遥测、加速度计、磁力计或 GTFS（通用交通提要规范）数据。

• GLS 数据预处理：已经开发出几种方法来减少从光数据生成的地理位置中的误差，这反映在用于预处理 GLS 数据的软件包数量众多。我们将这些方法分为三类：阈值、曲线拟合和无暮光（目前没有包含的软件包）。
  • 阈值方法：使用任意选择的太阳辐照度阈值来识别日出和日落的时机。使用阈值方法的软件包是 SGAT。
  • 曲线拟合方法：将每个暮光的观测光辐照度水平建模为理论光水平（即模板）的函数。然后，使用模型中的参数（例如线性回归中的斜率）来估计位置。模型的公式和用于位置估计的参数因方法而异。使用曲线拟合方法的软件包是 FLightR (已归档)、tripEstimation 和 SGAT。
• 基于加速度计和磁力计数据的航迹推算： 结合使用磁力计和加速度计数据，以及可选的陀螺仪和速度传感器，可以使用航迹推算 (DR) 技术重建亚秒级精细尺度的运动路径。
  TrackReconstruction 基于不同的方法实现 DR 以获取轨迹。
• GTFS 数据预处理： 使用 gtfs2gps 可以对 GTFS 格式的公共交通数据进行时空插值，以获得类似 GPS 的记录。
• 眼动追踪数据预处理： 使用 eyelinker 可以导入 Eyelink 眼动追踪仪的纯文本 ASC 数据文件，并将其转换为 (x,y,t) 追踪数据。

后处理

追踪数据的后处理包括数据清理（例如识别异常值或错误）、压缩（即降低数据分辨率，有时称为重采样）以及基于追踪数据的指标计算，这些指标对后续分析很有用。

• 数据清理： argosfilter 和 SDLfilter 实现了一些函数来过滤不可信的平台终端发射器 (PTT) 位置。 SDLfilter 也适用于 GPS 数据。 track2KBA 允许将轨迹拆分为中心地点觅食物种的行程。其他包含用于清理追踪数据的函数的包包括 TrajDataMining (已归档) 和 trip。
• 数据压缩： 使用 adehabitatLT、mousetrap、trajectories 或 trajr 可以实现重新离散化或将数据获取到相等的步长。可以使用 adehabitatLT、amt、mousetrap 或 trajectories 执行定期时间步长插值。其他压缩方法包括 Douglas-Peucker (TrajDataMining (已归档) 和 trajectories)、开窗 (TrajDataMining (已归档)) 或 Savitzky-Golay (trajr)。
• 指标计算： 一些软件包在将跟踪数据转换为软件包的数据类时，会自动推导出二阶或三阶运动变量（例如，连续定位之间的距离和角度）。这些软件包包括 adehabitatLT、momentuHMM、moveHMM 和 trajectories。 bcpa 包含一个函数，可以从轨迹中计算速度、步长、方向和其他属性。 amt、move、segclust2d、sftrack、trajr 和 trip 也包含用于计算这些指标的函数，但用户需要指定他们需要计算哪些指标。

分析

可视化

主要用于可视化目的，更具体地说，用于轨迹动画的软件包是 anipaths 和 moveVis (已归档)。

轨迹描述

amt、rpkg("mousetrap")、trajr 和 track2KBA 计算轨迹的汇总指标，例如总行程距离、直线度指数、曲折度、行程持续时间或其他指标（取决于软件包）。 trackeR 是为了分析人类从 GPS 跟踪设备获得的跑步、骑行和游泳数据而创建的。 trackeR 计算汇总每个轨迹的运动量的指标（或每次训练的训练量）。 sftrack 从跟踪数据中定义两类对象，轨迹（sf 点按时间顺序排列）和轨迹线（sf 线按时间顺序排列），并提供函数来汇总两者，显示开始和结束时间、点数和总行程距离。 cylcop 可以使用 copula 方法拟合多元分布，该方法允许步长和转向角相关；这些分布可以随后用于步长选择建模。

路径重建

无论是为了校正采样误差，还是为了获得更精细的数据分辨率或规则的时间步长，路径重建都是运动分析中的一个常见目标。可用于路径重建的软件包包括 adehabitatLT、bsam、crawl、ctmm、ctmcmove、mousetrap 和 TrackReconstruction。

行为模式识别

运动生态学中的另一个常见目标是根据观察到的运动模式，通过位置本身或距离、速度或转向角等二阶/三阶变量来获得对个体行为的代理。协变量，主要与环境相关，经常用于行为模式识别。

我们将本节中的方法分类为：1) 非顺序分类或聚类技术，2) 分割方法和 3) 隐马尔可夫模型。

• 非顺序分类或聚类技术： 这里，轨迹中的每个固定点都被分类为给定类型的行为，与前面或后面固定点的分类无关（即与时间序列无关）。实现这些技术的软件包是 EMbC、m2b 和 gazepath (已存档)。后者仅用于眼动追踪数据，将其分类为扫视和注视。
• 分割方法： 它们识别运动模式时间序列中的行为变化，将其切分成多个片段。实现这些技术的软件包是 adehabitatLT、bcpa、bayesmove、segclust2d 和 marcher。
• 隐马尔可夫模型： 它们以一个隐藏状态马尔可夫过程（代表未观察到的行为序列）为中心，该过程决定了观察到的运动模式。实现这些方法的软件包是 bsam、moveHMM 和 momentuHMM。

空间和栖息地利用特征

多个软件包实现了函数来帮助回答与个体在哪里花费时间以及环境条件在运动或空间利用决策中扮演什么角色相关的问题，这些问题通常分为两类：活动范围计算和栖息地选择。

• 活动范围： 几个软件包允许估计活动范围，例如 adehabitatHR、amt、ctmm、move 和 track2KBA。它们提供了多种方法，从简单的最小凸多边形到更复杂的概率利用分布，可能考虑了跟踪数据中的时间自相关性。
• 栖息地利用： 几个软件包估计了栖息地特征对动物空间利用或栖息地选择的作用，例如 amt 使用步长选择函数，以及 ctmcmove 使用功能性运动建模。
• 空间利用的非传统方法： 其他用于从跟踪数据中调查空间利用的非传统方法可以在 recurse 中找到。

轨迹模拟

跟踪数据包实现轨迹模拟主要基于隐马尔可夫模型、相关随机游走、布朗运动、莱维游走或奥恩斯坦-乌伦贝克过程：adehabitatLT、bsam、crawl、ctmm、momentuHMM、moveHMM、smam、SiMRiv 和 trajr。

其他跟踪数据的分析

• 交互：可以使用 wildlifeDI 和 TrajDataMining (已存档) 中的指标评估个体之间的交互。 spatsoc 将同一时间段或同一空间范围内的重新定位分组，并允许计算组内个体之间的距离并识别最近邻居。
• 运动相似性：可以使用 SimilarityMeasures 或 trajectories 计算最长公共子序列、弗雷谢距离、编辑距离和动态时间规整等度量。 mousetrap 包含用于聚类轨迹的函数。
• 种群规模：caribou 是专门为从驯鹿跟踪数据中估计种群规模而创建的，但也可以用于具有类似家域行为的野生动物种群。
• 环境条件：moveWindSpeed 使用跟踪数据推断风速。 rerddapXtracto 允许提取沿给定轨迹在任何 ERDDAP 服务器上提供的环境数据。

处理运动数据但不处理跟踪数据

• 生物记录数据的分析：用于分析动物的时间深度记录器 (TDR) 和加速度计数据的软件包是 diveMove。它允许获得潜水努力的统计数据。几个软件包专注于人类加速度计数据的分析，主要是为了描述周期性和活动水平：acc、accelerometry、GGIR、nparACT、pawacc 和 PhysicalActivity。
• 非生物记录数据：当相机能够覆盖足够大的区域以供个人移动时，视频和图像可用于记录运动。与这些数据相关的软件包是 trackdem（用于逐帧处理图像）。另一个非生物记录但与运动相关的软件包是 actel，它处理来自声学遥测站的数据。它允许探索每个阵列中花费的时间，获取阵列之间转换的时间序列等等。另一方面，migflow 允许使用一系列旅行距离和地点（经度、纬度）来计算动物通过迁徙网络的最大流量。

技术说明

跟踪 CTV 中包含的软件包主要来自 CRAN，其中一些来自其他存储库。提交后，来自 CRAN 和 Bioconductor 的软件包如果符合范围（见上文），将自动被跟踪 CTV 接受，因为它们已经通过了 R CMD check 的测试。来自 CRAN/Bioconductor 之外的软件包只有在经过测试并通过检查测试后才会被包含（更多详细信息 此处）。

偶尔，跟踪 CTV 的维护人员会发布一个已检查版本，这是一个对 CTV 的重大更新，对每个非 CRAN/非 Bioconductor 软件包进行全面测试。在此情况下，未通过测试的软件包也会被删除。

核心软件包被定义为跟踪软件包组，这些软件包在其他跟踪软件包中被提及的次数最多（Depends、Imports、Suggests）；使用 coin 软件包中的 maxstat_test 函数估计临界点。

上次检查版本于 2023-05-20

引用和致谢

如果您想引用此 CTV，我们建议您提及：维护人员、年份、CTV 的标题、版本和 URL。例如

Joo 和 Basille (2023) CRAN 任务视图：跟踪数据的处理和分析。版本 2023-06-19）。URL：https://CRAN.R-project.org/view=Tracking

除了维护人员之外，以下人员还为创建此任务视图做出了贡献：Achim Zeileis、Edzer Pebesma、Michael Sumner、Matthew E. Boone（前 CTV 维护人员）。

导致本文成为此任务视图基础的早期工作，以及由此产生的初始跟踪软件包列表，部分由人类前沿科学计划青年研究员奖（SeabirdSound - RGY0072/2017；R. Joo 和 M. Basille）资助。

相关链接

• 本文是此任务视图的基础
• 此任务视图的 GitHub 存储库

CRAN 软件包

其他资源

• CRAN 任务视图：Spatial
• CRAN 任务视图：SpatioTemporal
• CRAN 任务视图：TimeSeries
• GitHub 项目：migflow
• GitHub 项目：SGAT