摘要: 2017年3月19日昆明动物园1头雌性东北虎产下3只幼仔。本项研究通过监控视频,使用瞬时扫描法,记录了雌虎及幼虎在此日后30 d内的行为并进行了整理和分析;观察结果显示,雌虎在哺乳初期的行为以休息和哺乳为主,分别占到了行为总频率的55. 13%和19. 21%,而幼虎在哺乳初期的行为以休息和吮乳为主,分别占到了71. 25%和12. 98%。不同时期雌虎出现的休息、哺乳、亲幼虎行为差异显著(P <0. 05),移动、进食和其他行为的差异极显著(P <0. 01);幼虎表现出的休息、吮乳、拱拔、张望、玩耍和其他行为在6个时期都呈现极显著差异(P <0. 01),亲雌虎行为差异显著(P <0. 05),而移动行为在不同时期的差异不显著;幼虎在哺乳初期还有新的行为发育出现。

摘要: 东北虎（Panthera tigris altaica）幼虎的行为研究对其保护生物学与发育生态学至关重要。传统人工观察方法效率低下且易受主观因素影响，亟需发展自动化、客观的技术手段。为此，提出并验证了一种基于骨骼关键点的深度学习框架，以实现对东北虎幼虎行为的精准识别与跟踪。基于黑龙江东北虎林园和横道河子东北虎林园共计15只东北虎幼虎的监控视频，构建了包含16个人工标注关键点的姿态估计数据集及5种常见行为的行为识别数据集。利用训练好的高分辨率网络（HRNet）生成初始姿态数据，通过连续关键点序列关联行为标签与个体ID，构建了行为识别与跟踪数据集。在该数据集上，采用多个行为识别网络进行对比实验，并应用字节跟踪算法（ByteTrack）进行多目标个体跟踪。结果表明：注意力增强自适应图卷积神经网络（attention-enhanced adaptive graph convolutional neural network,AAGCN）在幼虎行为识别任务中的准确率最优，达76.59%;ByteTrack在个体跟踪中的多目标跟踪准确率（multiple object tracking accuracy,MOTA）高达92.76%。本方法在东北虎幼虎行为识别与跟踪中表现优异，为圈养大型猫科（Felidae）动物幼崽的行为量化与分析提供了可靠工具，对野生动物保护和繁育管理具有直接应用价值。

摘要: 粪便是开展野生动物种群生态学、遗传特征、疾病与健康状况等研究的重要样品。由于东北虎（Panthera tigris altaica）种群处于濒危状态，粪便样品收集困难，为满足多种研究目的，同一样品往往被分成不同部分用于不同分析。然而部分取样以及不同部位间的差异是否会影响研究结果并未得到科学验证。为此，本研究基于野生东北虎粪便样品，运用DNA宏条形码技术分析东北虎的食物组成，并比较不同粪便取样部位间的结果差异。结果显示：东北虎的食物组成包括野猪（Sus scrofa）、梅花鹿（Cervus nippon）、狍（Capreolus pygargus）等大宗食物（相对序列丰度22.130 0%～42.660 0%），以及中级捕食者、啮齿类、鸟类在内的多种消遣性食物（0.000 3%～0.480 0%）；不同粪便取样部位间，食物的相对生物贡献量无显著差异（P>0.05），但组合取样方案检测出的物种数量最多[（6.50±1.29）种]，显著高于其他取样方案（P<0.05）。研究结果提示了在开展基于粪便样品对东北虎营养、遗传和疾病等分析时考虑取样部位潜在影响的必要性，特别是在无法使用完整粪便样品或关注于稀有食物种类鉴定时，多部位组合取样是获得可靠结果的最优方案。

摘要: 东北虎（Panthera tigris altaica）是全球生物多样性保护的旗舰物种，在维持生态系统功能中占据不可替代的重要地位。东北虎对于可感染家猫的病毒均易感，但目前关于东北虎病毒病的流行病学资料仍然十分有限。猫冠状病毒（Feline coronavirus,FCoV）感染，轻可导致猫科（Felidae）动物腹泻，重则呈现高致病性、致死性的猫传染性腹膜炎（Feline infectious peritonitis,FIP）。因此，采用巢氏PCR方法对来自黑龙江省东北虎林园的6份东北虎全血样本进行FCoV检测，结果显示2份样本为阳性（H-11-1241、H-11-1310），阳性率为33.3%。所得PCR片段与其他参考株同源性为99.3%～100.0%。研究结果丰富了圈养东北虎中猫冠状病毒流行病学数据，为其他圈养猫科动物的FCoV监测提供了参考，对野生猫科动物的保护与繁育具有重要意义。

摘要: 东北虎（Panthera tigris altaica）作为世界上最大的猫科（Felidae）动物，同时也是濒危物种，其个体识别是回答进化生物学中许多重大问题的关键步骤。尽管目前已提出虹膜和DNA分析等传统方法用于东北虎个体识别，但这些方法在远程获取和样本收集方面面临挑战，且在很大程度上依赖人工识别。随着计算机视觉技术的发展，深度学习成为动物个体识别的强大工具。因此，提出使用基于深度学习的方法进行东北虎个体识别。首先收集黑龙江东北虎林园20只东北虎个体的监控视频图像，然后采用Mask R-CNN算法对每张图像中的特征区域进行自动检测与分割，以构建东北虎条纹数据集（Amur tiger stripe dataset,ATSD），最后在该数据集的基础上分别应用基于CNN和Transformer的多个分类网络独立地对东北虎个体进行识别。结果表明：基于Transformer的分类网络对东北虎条纹的识别准确率达到91.49%，取得了更好的识别性能。该方法在降低拍摄条件下，对复杂环境具有良好的适用性，具有扩展生态学调查和非侵入性抽样设计的潜力，为野生动物的保护和管理提供技术支持。