基于被动监测数据的层级贝叶斯模型：群居动物群体数量与规模的精准估测

为解决群居哺乳动物种群监测中群体数量(N)与规模(G)的同步估测难题，来自[机构名]的研究团队开发了融合截断棍棒先验(TSB)与Royle-Nichols(RN)模型的层级贝叶斯框架。该模型通过有限混合分布处理重复观测数据，将传统N-mixture模型对群体规模的高估偏差从56.1%降至0.6%，群体数量估计偏差从35.0%优化至-2.1%，为生态保护提供了更精准的监测工具。

　　

群居哺乳动物在生态系统中扮演着关键角色，但如何通过相机陷阱(camera trapping)等点计数调查(point-count surveys)准确估算其群体数量和规模一直是难题。当多个群体在同一观测点被重复记录时，观测到的群体规模数据实际上遵循有限混合分布(finite mixture distributions)——即参数各异的概率分布以未知数量混合叠加的状态。

研究者们构建了一个革命性的层级贝叶斯模型(hierarchical Bayesian model)，通过两大创新突破传统局限：首先引入截断棍棒先验(truncated stick-breaking prior, TSB)为每个群体观测建立混合结构，其次整合Royle-Nichols模型作为子模型来估算潜在可检测集群数。蒙特卡洛模拟(Monte Carlo simulations)显示，传统N-mixture模型会高估群体规模达56.1%，而采用TSB先验的混合模型将此偏差降至-5.2%，再结合RN模型辅助信息后，偏差进一步缩小到惊人的+0.6%。

在模拟群居动物移动的随机游走模型(random walk model)测试中，当个体检测概率>0.5且死亡率<13%时，该模型对群体规模的估计展现强大稳健性。虽然群体数量存在轻微低估，但仍在可接受误差范围内。应用该模型分析野猪幼崽(juvenile wild boars)的相机陷阱数据时，获得了令人满意的拟合优度(goodness of fit)。这项研究不仅解决了群体成员动态变化带来的监测挑战，更为后续应对更复杂现实场景的研究奠定了方法论基础。