综述：动态占据模型二十年应用回顾与未来展望

这篇综述系统回顾了动态占据模型（DOMs）过去20年的发展与应用，剖析了其在物种分布动态研究中的核心优势（如处理不完美检测问题）和建模挑战（如协变量选择、模型评估），并对未来研究方向提出建设性建议，为生态建模领域提供了重要参考。

　　

动态占据模型（Dynamic Occupancy Models, DOMs）自20年前由MacKenzie等学者提出以来，已成为生态学研究物种分布动态的核心工具。这类模型通过分层建模框架，巧妙地将观测数据中的检测过程（detection process）与潜在的生态过程（ecological process）分离，从而在存在不完美检测的现实条件下，准确估计物种占据状态（occupancy state）的时空变化。

模型原理与核心优势

DOMs的核心在于同时建模四个关键参数：初始占据概率ψ₁、定殖率γ、灭绝率ε和检测概率p。其独特的分层结构允许使用相对简单的检测/非检测数据（detection/non-detection data），通过"主要时段"（primary occasions）和"次要时段"（secondary occasions）的嵌套设计，追踪站点（site）在不同时间点的状态转变。这种设计既解决了传统物种分布模型（SDMs）忽略检测异质性的缺陷，又能捕捉动态系统中物种的扩张与退缩过程。

应用场景的多元化发展

早期DOMs主要应用于鸟类和哺乳动物的保护研究，如评估斑林鸮（Strix occidentalis）受入侵物种影响的案例。随着方法学扩展，其应用已覆盖从昆虫到鲸类的广泛类群，并发展出多物种联合估计、空间显式动态等进阶模型。值得注意的是，44%的研究已涉及多物种分析，其中12%采用真正的多物种交互模型。在数据来源方面，公民科学数据和自动监测设备（如相机陷阱）的兴起，使得DOMs能够处理数千站点、跨越数十年的超大规模数据集。

当前建模实践的三大挑战

1. 协变量选择困境：尽管环境协变量（如栖息地特征、气候因子）被普遍考虑，但37%的研究未对初始占据概率引入任何协变量，30%忽略检测概率的环境驱动因素。更值得关注的是，仅35%研究测试了非线性响应，24%考虑交互作用，这可能低估了生态关系的复杂性。

2. 模型选择方法的分歧：最大似然估计（MLE）框架下，45%研究采用候选模型集（AIC比较），37%使用参数间序贯选择法。而贝叶斯方法中仅33%进行模型选择，且缺乏统一标准。最新研究警示，某些"碰撞变量"（collider variables）可能导致AIC优选模型产生有偏估计。

3. 评估环节的缺失：仅18%研究报告拟合优度检验，7%进行预测性能验证。这种状况部分源于DOMs特有的评估难题——真实占据状态作为潜变量无法直接观测，现有方法（如参数化bootstrap）仍需更多验证。

未来发展的四个方向

1. 理论层面需明确不同空间尺度下"占据"的定义（离散占据vs站点使用），特别是自动监测设备产生的高频数据需要新的时段划分标准。

2. 技术创新应探索机器学习（如神经网络DOMs）和广义加性模型（GAMs）在复杂关系建模中的应用，提升空间预测精度。

3. 方法学完善方面，亟需开发针对DOMs的贝叶斯变量选择方法（如正则化先验）和跨验证技术，同时加强各参数独立评估工具的开发。

4. 应用拓展可向新兴领域延伸，如疾病传播建模（慢性消耗病）、生物入侵预警等，充分发挥DOMs在动态系统预测中的独特优势。

随着气候变化加剧和生物多样性危机深化，DOMs在生态监测与保护决策中的作用将愈发关键。通过解决现有建模瓶颈，这些方法有望为理解物种对环境变化的响应机制提供更可靠的量化工具。