Light-level geolocators have revolutionised the study of animal behaviour. However, lacking spatial precision, their usage has been primary targeted towards the analysis of large-scale movements. Recent technological developments have allowed the integration of magnetometers and accelerometers into geolocator tags in addition to barometers and thermometers, offering new behavioural insights. Here, we introduce an R toolbox for identifying behavioural patterns from multisensor geolocator tags, with functions specifically designed for data visualisation, calibration, classification and error estimation. More specifically, the package allows for the flexible analysis of any combination of sensor data using k-means clustering, expectation maximisation binary clustering, hidden Markov models and changepoint analyses. Furthermore, the package integrates tailored algorithms for identifying periods of prolonged high activity (most commonly used for identifying migratory flapping flight), and pressure changes (most commonly used for identifying dive or flight events). Finally, we highlight some of the limitations, implications and opportunities of using these methods.
Les géolocalisateurs lumineux ont révolutionné l'étude du comportement animal. Toutefois, en raison de leur manque de précision spatiale, leur utilisation a été principalement dirigée vers l'analyse de mouvements à grandes échelles. Les développements technologiques récents ont permis l'intégration de magnétomètres et d'accéléromètres dans les balises de géolocalisation, en plus de baromètres et de thermomètres, permettant de nouvelles analyses du comportement animalier. Nous présentons ici notre R package pour l'identification de modèles comportementaux à partir de balises géolocalisatrices multisensoriels. Le package intègre des fonctions conçues spécifiquement pour la visualisation de données, la calibration des balises, la classification du comportement et l'estimation des erreurs d'analyses. Plus précisément, le package permet l'analyse flexible de n'importe quelle combinaison de capteurs de données en utilisant le k-means clustering, le expectation maximisation binary clustering, les hidden Markov models et les analyses changepoint. En outre, le package intègre des algorithmes adaptés pour identifier les périodes de haute activité prolongée (le plus souvent utilisé pour identifier le vol migratoire d'oiseaux), et les changements de pression (le plus souvent utilisé pour identifier des periodes où l'animal est en plongée ou au vol). Enfin, nous soulignons les limites, les implications et les opportunités d'utilisation de ces méthodes.
Keywords: SOI-GDL3pam; behaviour; classification; clustering; embc; geolocator; hmm; k-means.
© 2022 The Authors. Journal of Animal Ecology published by John Wiley & Sons Ltd on behalf of British Ecological Society.