论文引用格式：Li X Y， Jiang X， Cao W Q and Liu D P. 2023. Research on visual analysis methods of bird satellite tracking data： a case study analysis for Nipponia Nippon. Journal of Image and Graphics， 28（08）：2549-2560（引用格式:李欣悦， 蒋娴， 曹卫群， 刘冬平. 2023. 鸟类卫星跟踪数据可视分析方法研究—以朱鹮为例. 中国图象图形学报， 28（08）：2549-2560）［0　引 言鸟类是生态系统的重要成员，对鸟类的研究不仅是对鸟类本身的保护研究，也是对生态环境的研究，鸟类专家对于鸟类种群在不同时期分布偏好的研究有助于更好地了解鸟类的生境适宜性，以便更加合理有效地对鸟类物种采取相应的保护措施。理解物种分布的决定因素及其动态是生态学的一个重要方面，对该物种的保护和管理至关重要。卫星跟踪技术的发展极大地提高了鸟类专家远程收集鸟类大量轨迹运动数据的能力，基于全球定位系统（global positioning system，GPS）的运动轨迹数据是目前最常收集的数据类型之一。对获取的时空轨迹数据进行分析，可以帮助解决很多问题，如鸟类个体之间如何相互作用，个体在不同时间维度的觅食策略、迁徙和运动路线，以及气候和人为因素导致的环境变化的影响等。随着科学技术的发展，卫星发射器的定位频率和采集的数据种类大幅增加，由此产生的一个重大挑战是如何充分有效地分析这些数据。鸟类专家现有的对数据的分析方法相对有限，而数据可视化与可视分析技术作为大量数据的呈现方式，可以帮助用户对数据集更好地理解和洞察，为用户提供一种新的探索工具，可以帮助发现数据中包含的复杂模式，并激发新的假设和分析。朱鹮（Nipponia nippon）是世界濒危物种，国家Ⅰ级重点保护动物，主要分布于陕西汉中朱鹮国家级自然保护区及周边县区。经过持续的保护，近年来野生朱鹮种群的数量稳步增加，分布范围进一步向保护区外围扩散。为了掌握朱鹮的扩散活动趋势，以及对保护区周边环境的适应情况，鸟类专家于2013—2019年对朱鹮进行了卫星跟踪研究。发射器约占朱鹮体重的1.5%，佩戴在鸟的背上，定时接收其活动位点和状态信息。本文以朱鹮的卫星跟踪数据为例，从鸟类专家对数据分析的需求出发，对可视分析方法进行研究，设计实现了一个卫星跟踪数据可视分析平台，基于该平台，鸟类专家可以对一只或多只朱鹮的跟踪数据进行观察和探索，挖掘朱鹮个体生活状态、行为特点、生活环境状况的影响以及个体之间的差异，以便于采取相应的保护措施。本文主要贡献如下：1）对朱鹮运动轨迹的分析需求进行总结。围绕鸟类专家关心的问题，对跟踪数据可视化可视分析问题进行深入的需求分析。2）提出一种朱鹮跟踪数据的可视分析方法。基于二维地图进行多视图协同展示的交互布局方式，以及聚类分析方法等对朱鹮运动轨迹进行可视分析，从时空维度动态显示和分析朱鹮运动轨迹。3）设计实现了一个朱鹮跟踪数据可视分析系统。1　相关工作1.1　鸟类运动数据分析的发展在过去的几十年里，鸟类运动数据的采集和分析发展迅速。鸟类运动数据的采样方式从以往的标记观察逐步发展到利用无线电遥测和卫星追踪等新的科技手段对鸟类个体活动区进行采样跟踪。这些新技术不仅能够在相对较大的地理尺度上得到应用，还可以每日监测标记个体的活动，进而反映出鸟类个体的实际运动路径，以便准确评估鸟类的活动区范围以及鸟类活动的影响因素等。朱鹮作为频危物种，在鸟类研究中一直受到广泛关注。刘冬平等人（2003）最早通过对彩色数字环的观察对朱鹮繁殖期的活动区和栖息地利用开展了定量研究。胡灿实（2016）采用环志再现的方法对朱鹮活动性及其扩散模式进行了研究。黄治学等人（2016）对采用卫星定位、无线电遥测和持续跟踪法进行监测的60只被放飞朱鹮的繁殖和分布情况进行研究。张雪仙（2016）对朱鹮再引入种群夜宿集群行为进行了初步研究，采用无线电追踪法和采样方法对朱鹮的集群和栖息地利用进行了研究。郑刘梦（2018）根据朱鹮佩戴的卫星发射器传回的数据并基于MaxEnt（maximum entropy model）模型对董寨再引入朱鹮的生境适宜性进行评价。王琦等人（2019）利用2000—2014年的MODIS NDVI（moderate-resolution imaging spectroradiometer normalized difference vegetation index）数据，采用最大像元法、线性趋势法和变异系数法，研究了朱鹮典型栖息地植被覆盖的时空变化特征。这些方法部分解决了大量鸟类运动数据分析的问题，但忽略了鸟类运动数据的时空变化。近几年来，在鸟类运动数据分析领域，可视化可视分析方法由于其对大规模、高维度和高复杂度数据的处理上的优势，受到人们越来越多的关注。鸟类运动数据可视化是一项生物学和计算机科学跨学科的研究，有来自一系列不同传感器的数据和研究案例。Kölzsch等人（2013）使用2006—2008年间12只白额雁（anser albifrons）的春季迁徙GPS卫星轨迹数据来验证他们用一个框架生成可视化设计的有效性。Konzack等人（2019）提出了一种可视化分析方法来探索和分析生态学家收集的卫星跟踪数据，并将其应用于75只跟踪时间为3年的迁徙海鸥数据集，以此来评估这个视觉分析方法的有效性。Palleschi和Crielesi（2019）使用在利诺萨岛为期4年（2013—2016年）收集的海鸥运动轨迹数据，设计开发了一个新的视觉分析系统，为鸟类学家提供一个易于使用的工具，来检查鸟巢的历史，以及在4年时间内影响繁殖成功可变性的各种因素之间的关系。具体来说，提供了一个基于时空的可视化分析系统对鸟类运动时序数据进行分析探索。以上工作对于朱鹮的跟踪数据的可视分析方法的研究，都具有较好的参考价值。但由于朱鹮与其他鸟类生活习性的差异以及专家所关注问题的不同，已有方法并不能完全适用。本文基于朱鹮鸟类专家的研究经验，提出了针对朱鹮生活习性进行分析的可视分析方法。1.2　时序数据可视分析对鸟类活动轨迹的可视分析大都基于GPS传感器收集的时序数据，而对时序数据可视分析的研究热点主要为时间序列数据可视分析的交互方式研究、针对不同领域的应用研究等。1.2.1　时序数据的可视化展示和交互设计时序数据可视分析基于对时序数据的视觉设计和交互方式等进行研究。Saraiya等人（2005）对不同时序数据可视化任务中的单视图和多视图分析各自的优势并进行了比较。Uchida和Itoh（2009）提出了一种基于折线的大量时序数据的可视化技术，通过聚类算法自适应地控制显示代表性折线的数量。Javed和Elmqvist（2010）通过堆叠缩放技术将时序数据集可视化中的多个焦点与它们各自的背景和关系相结合。Walker等人（2016）介绍了一种用于可视化和交互的分层导航技术，为探索、分析和展示时序数据提供了一个更有效的工作环境。1.2.2　针对不同领域的应用研究医疗、环境和动物运动等不同的应用领域中，虽然都涉及时序数据，但由于数据特点、数据分析目标的不同，可视分析方法存在较多差异。Alonso和McCormick（2012）提供了一个友好的工具，可以从时序数据中可视化探索和提取相关参数，用于流行病学研究；Deng等人（2020）对大空间范围内空气污染物的传播过程进行研究，设计开发了一个探索和解释空气污染传播模式的可视分析系统；Klein等人（2021）整合生物学家需求，设计了一个用于调查猎豹运动数据的可视化分析工具。从已有工作来看，不同领域的专家在时序数据的可视分析方面进行了很多有益的探索。本文针对朱鹮跟踪数据集的数据特征和可视分析需求，将机器学习方法与可视化可视分析技术有机结合，提高跟踪数据可视化可视分析平台的实用性。2　数据来源本文使用的是基于一项长期的朱鹮行为跟踪研究项目在陕西洋县朱鹮自然保护区收集的朱鹮跟踪数据。该项目通过在朱鹮背部安装卫星发射器对朱鹮运动轨迹数据进行收集，从每只朱鹮身上收集到近5万条数据，每条数据包括朱鹮终端标识、数据采集时间以及GPS经纬度数据，如表1所示。本文采用的是3只朱鹮5年间的运动数据集，跟踪数据的采集频率为每小时1次，正常情况下每日24个采样点。但由于传感设备、通信条件等问题，通过发射器收集的数据存在部分数据缺失情况，每日采样点个数在1～24个，而且数据的缺失在时间段长短及分布上有随机性。本文基于长短期记忆（long short-term memory， LSTM）模型对朱鹮跟踪数据集中的缺失数据进行了插补（Qing和Niu，2018）。10.11834/jig.220403.T001表1朱鹮跟踪数据集部分数据表Table 1Selected data tables of the Nipponia nippon tracking dataset终端时间经度纬度............朱鹮22·CAFL0032015/3/19 0: 00108.821 8735.047 79朱鹮22·CAFL0032015/3/19 1: 00108.821 8435.047 85朱鹮22·CAFL0032015/3/19 2: 00108.821 9435.047 79............朱鹮22·CAFL0032015/3/19 21: 00108.822 0135.047 78朱鹮22·CAFL0032015/3/19 22: 00108.822 0335.047 71朱鹮22·CAFL0032015/3/19 23: 00108.821 9535.047 78............3　朱鹮跟踪数据研究的需求分析根据已有朱鹮研究结果，得出以下结论：1）根据朱鹮的生活习性和生态学意义，将一年划分为3个时期：2月—6月为繁殖期；7月—10月为游荡期；11月—次年1月为越冬期。不同时期，朱鹮的运动状况在反映朱鹮生活习性和健康状况等方面有不同的意义。2）朱鹮的觅食地和夜宿地的分布和变化情况，也是分析其生活环境、生活状态的重要依据。因此，鸟类专家对朱鹮一天之中的活动按照觅食时间和夜宿时间进行了划分（见表2）。一般来说，觅食地的变化能够反映该地的食物丰富度等因素的变化，夜宿地的变化能够反映该地植被或是人为因素等情况的变化。3）朱鹮每日觅食运动距离的变化以及觅食运动距离的远近，能够反映朱鹮当天获取食物的难易程度以及个体的活跃程度，从而进一步反映朱鹮的健康状况。10.11834/jig.220403.T002表2觅食定位点和夜宿定位点时间划分表Table 2Time division table for foraging and overnight positioning points时间夜宿定位点觅食定位点3月—10月21: 00—5: 008: 00—16: 0011月—次年2月20: 00—6: 009: 00—16: 00因此，朱鹮跟踪数据可视分析应实现以下几个目标：1）按照不同年份、不同时期（繁殖期、游荡期和越冬期）以及不同时间段，对朱鹮运动轨迹进行可视化；2）分析朱鹮夜宿地和觅食地，展示朱鹮夜宿地和觅食地的分布情况；3）对朱鹮的夜宿点和觅食点进行聚类分析，并对二者及二者之间的距离进行可视化展示；4）对朱鹮觅食运动距离进行可视分析。4　系统设计本节从主要功能、界面结构和多视图协同的可视分析功能设计等方面介绍基于二维地图的朱鹮跟踪数据可视分析系统的设计。4.1　系统主要功能根据需求分析，系统应包括以下主要功能：1）为便于用户筛选感兴趣的数据，设计不同朱鹮个体、不同年份、不同时期和不同活动状态、任意日期等的跟踪数据的选取功能；2）基于二维地图对不同尺度下（不同朱鹮个体、不同年份、不同时期和不同活动状态）的朱鹮运动轨迹进行展示分析；3）基于折线视图显示朱鹮每日觅食运动距离的变化情况，并在二维地图上协同显示对应的运动轨迹；4）基于二维地图显示朱鹮夜宿聚类点和觅食聚类点的分布和变化情况，同时基于折线视图协同展示朱鹮夜宿地与觅食地之间距离的变化情况；5）协同展示折线视图中朱鹮觅食活动距离以及觅食地与夜宿地平均距离变化曲线，以发现兴趣点，在二维地图中显示对应兴趣点的朱鹮运动轨迹分布情况。4.2　系统界面结构系统界面结构如图1所示，包括4个视图以及1个控件区域。10.11834/jig.220403.F001图1系统界面结构Fig.1System interface structure左地图视图A展示了朱鹮出现区域的二维地图以及朱鹮在该区域中运动轨迹分布情况，用户可以从年份、时期和活动状态等不同维度对朱鹮运动轨迹进行分析。控件区域B包含朱鹮个体、年份等选择控件，用于快速指定要分析的跟踪数据范围，将该范围内数据的统计分析结果显示在视图A。重置按钮B1用于对所选择的信息进行重置，重新指定进行分析的跟踪数据范围。按钮B2、B3和B4用于切换视图E的显示内容（朱鹮觅食聚类点到夜宿聚类点平均距离变化折线图；朱鹮卫星轨迹采样点数量的热力图；觅食距离变化折线图）。按钮B6控制按照不同活动状态（夜宿、觅食和其他活动）对朱鹮运动轨迹进行聚合分析的功能；按钮B7控制每日朱鹮运动轨迹中的觅食及夜宿聚类及计算功能。按钮B5和B8分别为对应视图A和视图D的测距按钮，用于对地图视图中实际距离进行测量。日历视图C将用户选择的日期范围进行显示，支持对日期进行任意选择，并在右地图视图D和折线视图E中观察分析对应的跟踪数据。右地图视图D用于对用户选定日期的朱鹮运动轨迹分布情况进行可视分析，同时能够对相应时间范围内的朱鹮的觅食地和夜宿地的分布情况进行分析。视图E用于显示用户选择的相应时间范围内的朱鹮单日觅食距离变化的折线图E1、单日觅食聚类点与夜宿聚类点的平均距离变化的折线图E2，以及相应时间范围内朱鹮卫星跟踪采样点数量分布的热力图E3。其中，朱鹮单日觅食运动距离的计算（E1视图）采用的数据为经插补预处理的数据，其余指标均采用原始跟踪数据进行分析计算。4.3　多视图协同的可视分析功能设计4.3.1　不同尺度下的朱鹮运动轨迹可视分析根据朱鹮运动轨迹数据的生态学意义，本文分别从朱鹮个体、年份（2014—2019年）、时期（繁殖期、游荡期和越冬期）和活动状态（夜宿、觅食）等维度，对朱鹮的运动轨迹进行可视化展示。左地图视图显示了朱鹮在不同维度的运动轨迹分布情况（图2，A视图）。根据用户在控件区域（图1，B区域）选择的维度，将朱鹮的运动轨迹绘制在地图上。用户可以选择不同的朱鹮个体，查看其总体的运动轨迹分布情况（图2（a）），也可以具体地选择某只朱鹮，查看其不同年份的运动轨迹分布情况（图2（b））。对于已选择的该只朱鹮，用户可以进一步查看其在不同时期（繁殖期、游荡期和越冬期）的轨迹分布情况（图2（c）），进一步地，用户可以对其不同时期夜宿活动状态和觅食活动状态的运动轨迹分布情况进行查看（图2（d））。当鼠标悬停至地图中任一轨迹点时，会出现一个包含该点时间、经纬度以及与前一监测点距离信息的悬浮框，以了解该轨迹点的详细信息。10.11834/jig.220403.F002图2从不同维度展示朱鹮运动轨迹分布情况Fig.2Showing the distribution of Nipponia nippon movement trajectory from different dimensions（（a） distribution of the movement trajectories of three Nipponia nippon； （b） distribution of Nipponia nippon movementtrajectories in 2015—2016； （c） distribution of Nipponia nippon movement trajectories in breeding， wandering and wintering；（d） distribution of movement trajectories of Nipponia nippon in overnight stay and foraging activity states）4.3.2　朱鹮觅食活动多视图协同分析朱鹮在一个时期内活动轨迹的分布情况、相邻日期活动轨迹的连续变化情况等，均可能包含揭示朱鹮生活状态的重要信息。为了能够对任意时间范围内朱鹮运动轨迹情况进行观测，本文设计了日历视图（图3，C视图），支持用户在时间范围上进行任意选择。此外，日历视图（图3，C视图）可以与右地图视图（图3，D视图）和折线视图（图3，E1视图）进行多视图协同显示，使用户能够同时对选定日期范围内的朱鹮运动轨迹分布情况以及朱鹮觅食运动距离变化情况进行观察分析。在图3中，当用户在视图C中任意选择一个时间范围，所选择的日期范围内的朱鹮运动轨迹分布情况展示在视图D中。同时，选定日期范围内的朱鹮每日觅食运动距离变化情况显示在视图E1中，当鼠标悬停在视图E1中某一日期对应的折线点上时，视图D中对应日期的觅食定位点将全部高亮显示。10.11834/jig.220403.F003图3朱鹮觅食活动行为多视图协同分析Fig.3Multi-view synergistic analysis of foraging activity behavior of Nipponia nippon4.3.3　朱鹮觅食地与夜宿地可视分析由4.3.1节可知，左地图视图支持从年份、时期（繁殖期、游荡期和越冬期）等具有不同生态学意义的固定时长维度对朱鹮运动轨迹进行观察，反映朱鹮在较长时间段运动轨迹的总体情况。这样的轨迹信息中包含的细节特征，则需要在更短的时间段中去观察和分析。本文设计了右地图视图，该视图与日历视图相结合，从用户选择（基于日历视图）的任意时间（1天或几天之内）范围内对朱鹮运动轨迹进行展示，且可与左地图视图并行展示，能够进行比较分析。此外，在右地图视图中能够对任意时间范围内朱鹮活动的觅食地和夜宿地的分布和变化情况进行进一步观察，并对其发生变化的原因进行探究。朱鹮夜宿、觅食等的生活规律随季节发生变化，本文根据鸟类专家的研究经验对朱鹮在1天之中的活动状态进行了划分：3月—10月期间，朱鹮的夜宿时间为21：00—5：00，觅食时间为8：00—16：00；11月—次年2月期间，朱鹮的夜宿时间为20：00—6：00，觅食时间为9：00—16：00（见表2）。除上述时间范围之外的活动状态统称为其他活动，以便于对朱鹮1天之中不同活动状态的展示。本文根据朱鹮的生活习性特点，设计了朱鹮夜宿聚类点和觅食聚类点的聚类原则。将觅食点分布在半径500 m以内的圆形区域中的轨迹点，划分为一个觅食聚类点；将夜宿点分布在半径50 m以内的圆形区域中的轨迹点，划分为一个夜宿聚类点。1天之中朱鹮的运动轨迹可以有多个觅食聚类点，但只能有一个夜宿聚类点，当夜宿地聚类结果为多个点时，以按时间顺序出现的第1个夜宿聚类点为准。右地图视图可以根据用户在日历视图中选择的日期范围，按照不同活动状态（觅食、夜宿和其他活动）对该时间范围内的朱鹮运动轨迹用不同颜色进行标识，并以灰色动态轨迹线来显示朱鹮的动态移动过程（图4（a））。本文设计了对朱鹮觅食点和夜宿点进行聚类分析的功能，可在右地图视图上显示当前用户选择的日期范围内朱鹮运动轨迹的觅食聚类点和夜宿聚类点。同时分别以觅食聚类点和夜宿聚类点为中心画圆，用于标识聚类点的聚类范围（图4（b））。10.11834/jig.220403.F004图4觅食定位点和夜宿定位点聚类分析Fig.4Clustering analysis of foraging locus and overnight stay locus （（a） different activity states throughout the day； （b） cluster distribution of foraging and overnight stay activity status）在图5中，以任意选择的3天时间为例，对朱鹮的觅食地和夜宿地进行进一步分析。当鼠标指针分别移动到折线（图5，E2视图）上的不同日期时，折线视图会以悬浮框的形式显示当前日期朱鹮觅食地与夜宿地的平均距离，同时右地图视图（图5，D视图）会对应显示当前日期的朱鹮觅食地和夜宿地的分布情况，并将对应日期的觅食定位点突出显示，以便于观察。通过鼠标在折线视图上的移动，在右地图视图中能够实时观察到朱鹮觅食聚类点和夜宿聚类点随日期的变化情况。10.11834/jig.220403.F005图5任意3天时间中朱鹮觅食地和夜宿地随时间变化分析Fig.5Analysis of the change of foraging and nocturnal sites of Nipponia nippon during any three days当展示较长时间范围内朱鹮运动轨迹时，较大的数据量会导致轨迹线和采样点重叠混淆，不便于观察（图6（a））。因此，本文针对大数据量的情况，采用聚合计算，设计了聚合控件。用户可以通过点击聚合按钮（图1，B6按钮）观察数据的聚合结果，聚合结果与标识朱鹮不同活动状态的颜色相对应，并在聚合中心显示该聚合点包含的采样点个数，以辅助用户对该聚合点的观察。通过聚合分析方法，用户能够了解较长时间段内朱鹮的主要觅食地和夜宿地的分布情况（图6（b））。10.11834/jig.220403.F006图6觅食定位点和夜宿定位点聚合分析Fig.6Aggregate analysis of foraging locus and overnight stay locus （（a） different activity status within a month； （b） distribution of aggregation points for different activity states）4.3.4　朱鹮觅食活动距离变化与觅食地夜宿地之间距离变化协同分析对鸟类专家来说，朱鹮运动轨迹所包含的以下几个距离指标有生态学意义。1）朱鹮单日觅食活动距离总和。通过计算1天之中按时间顺序分布的觅食运动轨迹距离之和，反映朱鹮每天的觅食运动距离（图7（a））。10.11834/jig.220403.F007图7距离指标示意图Fig.7Distance indicator diagram（（a） distance indicator Stotal； （b） distance indicator BM）2）觅食地与夜宿地之间的距离。本文对该值用朱鹮单日觅食聚类点与夜宿聚类点的距离来进行计算。由于朱鹮运动轨迹中每天存在的觅食聚类点的数量并不相同，当有多个觅食聚类点时，计算多个觅食聚类点和夜宿聚类点距离的平均值（图7（b））。根据图7（a），觅食点M1'至Mn'之间的距离为S1至Sn-1，朱鹮单日觅食活动距离总和为Stotal=∑i=1n-1Si （1）根据图7（b），觅食聚类点Mi与夜宿聚类点B之间的距离为BMi，朱鹮单日觅食聚类点与夜宿聚类点的平均距离为BM=1n×∑i=1nBMi （2）折线视图E1，横轴为日期，纵轴为觅食距离总和Stotal的大小，显示单日朱鹮觅食运动距离总和Stotal这一指标的变化情况（图8，E1视图）。用户可以通过直接点击折线图上的异常点，在右视图地图中查看该点对应日期的朱鹮运动轨迹（图8，D视图）。视图E1可同时显示多个年份数据，从而对不同年份的单日朱鹮觅食运动距离Stotal的变化情况进行比较分析（图10（a），E1视图）。10.11834/jig.220403.F008图8朱鹮活动行为多视图协同分析Fig.8Multi-view synergistic analysis of the activity behavior of Nipponia nippon10.11834/jig.220403.F009图9朱鹮运动轨迹变化分析Fig.9Analysis of changes in the movement trajectory of the Nipponia nippon （（a） migration processes of individual Nipponia nippon over large temporal scales； （b） distribution of nocturnal positioning sites for Nipponia nippon from 2016—2018）10.11834/jig.220403.F010图10单日觅食运动距离Stotal指标多视图协同分析Fig.10Multi-view synergistic analysis of the Stotal indicator for the single-day foraging movement distance（（a） analysis of foraging activity behavior of Nipponia nippon 22·CAFL003 in 2016—2017；（b） analysis of foraging activity behavior of the Nipponia nippon 23·CAFL004 in 2017—2018）折线视图E2，横轴为日期，纵轴为平均距离BM的大小，显示单日朱鹮觅食聚类点与夜宿聚类点的平均距离BM的变化情况（图8，E2视图）。该视图与折线视图E1（图8，E1视图）具有相同的交互设计。用户能够同时通过上述Stotal和BM两个距离指标对朱鹮运动轨迹进行观察和分析（图8）。5　案例研究为了进一步评估本文系统的可用性和有效性，对两个案例进行了分析。第1个案例分析了朱鹮个体在大尺度时间范围上的迁移过程；第2个案例对朱鹮单日觅食运动距离变化情况进行了分析。5.1　分析朱鹮运动轨迹变化情况鸟类专家关注朱鹮个体在大尺度时间范围上的迁移过程，本文的系统支持对不同时间尺度上的朱鹮运动轨迹进行可视化。图9（a）显示了一只于河南董寨野化放飞的朱鹮成鸟（编号02·4B04A0）在2014—2018年间的GPS卫星轨迹。其中，在放飞的最初1年多时间内，其活动区（绿色和蓝色方框）变化较大，表明这只朱鹮处于对野外环境的逐步适应过程；2016—2018年间，这只个体稳定活动在红色虚线框区域（如图9（a）所示），夜宿地也相对集中（如图9（b）所示），这表明在适应当地环境并开始繁殖后，其活动区和巢址比较稳定。该研究结果对鸟类学家开展野化放飞个体的保护监测和栖息地的恢复工作具有积极意义。与传统方式相比，该方法既可以从大时间范围尺度上对朱鹮的运动数据进行分析，又能够从多维度对朱鹮运动轨迹进行细节分析。5.2　分析朱鹮单日觅食运动距离变化情况朱鹮单日觅食运动距离能够反映朱鹮个体的活跃状况，也是鸟类专家十分关注的指标。不同朱鹮的单日觅食运动距离Stotal指标的对比分析如图10所示。左侧折线视图（图10（a），E1视图），显示了朱鹮22·CAFL003在2016年和2017年的单日朱鹮觅食运动距离Stotal。对比两年的Stotal折线变化趋势可以发现，这只朱鹮两年间的变化趋势基本相同，全年单日觅食运动距离呈小范围浮动，且在游荡期（7月—10月）的觅食运动距离最小。同时，在图10（a）的A视图中显示了该只朱鹮在游荡期的觅食活动分布情况，其在该地觅食活动范围位于红色虚线框位置，其范围较小。这与游荡期以及平原地带稻田等觅食地比较丰富相吻合。右侧折线图（图10（b），E1视图）显示朱鹮23·CAFL004在2017年和2018年的单日朱鹮觅食运动距离Stotal。对两年的折线变化趋势进行比较，能够看出这只朱鹮两年间的变化趋势也基本相同，全年的单日觅食运动距离波动较大，且在繁殖期（2月—6月）的觅食运动距离最大。与上述变化情况相对应，在图10（b）的A视图中显示了同时期的朱鹮觅食活动分布情况，其在繁殖期的觅食活动范围同样用红色虚线框框出，范围较大。觅食活动范围较大与朱鹮在繁殖期因为育雏等原因对食物需求的增加有关。同时，对两只朱鹮的单日觅食运动距离折线图进行比较可以发现，同一只朱鹮在不同年份的单日觅食运动距离的变化情况基本相同，而不同朱鹮之间，单日觅食运动距离的变化情况差距很大，这反映了环境压力存在较大的个体差异。6　结 论本文提出了朱鹮跟踪数据的可视分析方法，以帮助鸟类专家交互式地对朱鹮运动数据进行探索。通过与鸟类专家密切协作，确定了一系列领域专家关心的问题，并设计了针对性的可视分析方案。行业专家认为，在系统交互方面，本文的多视图协同的交互方式具有较好的应用价值。借助多个视图之间的交互设计，可以轻松获取多个维度的朱鹮运动轨迹信息，从而对其进行综合分析。例如，日历视图与地图视图以及折线视图的协同设计，有助于快速了解和分析所选择的时间范围内的朱鹮运动轨迹变化情况，以及对应时间范围内朱鹮每天的觅食运动距离的变化情况，从而挖掘朱鹮的生活习性和生活环境的新情况、新规律。在系统的实用性方面，本文系统是一个对朱鹮跟踪数据进行全面分析的可视分析系统，可以满足对朱鹮运动轨迹的分析要求，为跟踪数据的研究利用提供了一种有效的方法。此外，本文工作对其他鸟类跟踪数据的研究具有很好的借鉴意义。本文对朱鹮卫星跟踪数据从多个维度进行了研究，但目前该工作主要围绕卫星跟踪数据展开，对朱鹮习性的挖掘相对有限。在以后的工作中，将进一步综合地形地貌、气候等数据，对朱鹮生活状态、习性等开展更深入的分析。