广义距离抽样模型在临时迁移种群中的性能评估与模拟研究

本研究针对广义距离抽样(GDS)模型在存在临时迁移的开放种群中可能产生密度高估和可用性低估偏差的问题，通过三项模拟实验系统评估了模型性能。研究发现了低信息场景下的估计偏差现象，确定了4-5次重复调查和100-200个样点的最优设计参数，并创新性提出可用种群密度作为更可靠的估计指标，为野生动物种群评估提供了重要方法论支撑。

　　

广义距离抽样(Generalized Distance Sampling, GDS)模型作为临时迁移N-混合模型在距离抽样领域的等效方法，同时包含密度、可探测性组分和探测可用性参数。当存在重复访问数据时，这些模型能够有效估计开放种群参数，显著提升生态学研究的可靠性——毕竟即使在单个繁殖季节内，自然种群也极少处于完全封闭状态。

通过三项精心设计的模拟研究，科学家们发现当面临低样本量、低参数值等低信息场景时，模型容易出现估计偏差，尤其表现为密度估计偏高而可用性估计偏低。研究团队创新性地提出了"估计边界"概念，用以划分模型性能的满意与不满意区域。模拟结果表明：要获得可靠估计通常需要4-5次重复调查、100-200个调查样点，以及特定的参数组合（特别是与可用性和探测概率相关的参数）。

值得注意的是，研究发现协变量的引入能通过减少极端估计值来改善模型表现。更令人振奋的是，虽然在某些样本量组合下密度和可用性参数可能存在不可识别性问题，但它们共同决定的可用种群密度（即密度与可用性的乘积）却能保持稳定的估计精度。这些发现不仅为研究设计提供了关键指导，更为临时迁移模型中的种群丰度估计与解读提供了重要科学依据，对生态学和野生动物管理领域具有深远影响。