利用实时网络摄像头评估水鸟对天鹅密度变化的行为响应及其生态管理意义

这篇研究通过实时网络摄像头（webcam）远程观测越冬水鸟行为，创新性地量化了天鹅（Cygnus spp.）密度变化对四种水鸟类群（鸭类、雁类、秧鸡类、天鹅类）行为模式的影响。研究发现，天鹅密度升高会减少水鸟攻击行为（aggression）和休息（resting），增加理羽（preening），但对觅食（foraging）无显著影响。研究为野生动物行为学（wildlife behavior research）提供了远程监测新范式，同时为天鹅种群增长背景下的水鸟保护管理（waterbird conservation）提供了科学依据。

　　

摘要

研究团队利用英国Caerlaverock湿地保护区的实时网络摄像头（AXIS Q6035-E PTZ Dome Network Camera），在2022年2-3月对197只越冬水鸟进行焦点取样观察（focal sampling），每只个体记录600秒，每30秒记录一次行为状态。通过建立零膨胀模型（zero-inflated models）和线性模型，分析了天鹅密度与四种行为（攻击、觅食、理羽、休息）的关系，同时控制月份、昼夜时段、天气等协变量。

引言

传统野生动物行为研究依赖现场观察，但存在干扰风险。网络摄像头技术因其非侵入性优势逐渐普及，但相关研究仍较少。天鹅作为大型水禽，其种群增长（如英国 mute swan 数量因铅钓具管制增加30%）引发对其生态影响的关注。尽管有记录显示天鹅攻击可致死其他水鸟（如 whistling swan 杀死 greater white-fronted geese 幼鸟），但多数研究表明其影响有限。本研究首次通过远程技术系统评估天鹅密度对水鸟行为的时间分配影响。

材料与方法

研究系统：苏格兰西南部Caerlaverock湿地（54°59'N, 3°30'W），面积587公顷，冬季栖息 whooper swan（冰岛繁殖种群）、mute swan（本地留居种群）及雁鸭类。固定摄像头覆盖0.275公顷开阔水域，分辨率可识别鸭类和天鹅物种，但雁类和秧鸡类仅能鉴定到类群。

行为记录：定义5类行为——攻击（威胁、啄击）、觅食（滤食、颈探）、理羽（梳羽、洗浴）、休息（静立、睡眠）、其他（如飞行信号）。通过BBC天气数据标准化天气变量（晴/阴/雨）。

统计分析：使用R 4.4.0的glmmTMB包，对攻击行为采用零膨胀模型（因50%观察值为零），其他行为用线性模型。模型权重通过AIC_c比较，计算边际R²（6.0-14.7%）。

结果

时间分配：所有类群中攻击行为占比最低（均值2%），理羽和觅食为主（鸭类理羽占42.3±3.1%）。天鹅密度每增加1倍（91→182 ind. ha^?1）导致：

• 攻击减少：鸭类从2.7%降至2.0%

• 理羽增加：雁类从29.1%升至31.7%

• 休息减少：鸭类从16.8%降至13.7%

  觅食行为无显著变化（p>0.05）。

关键发现：

1. 二月比三月攻击高1.8倍（可能与繁殖前期相关）

2. 雨天攻击行为比晴天高2.3倍

3. 正午理羽时间比早晨多15%

讨论

生态意义：与预测相反，高天鹅密度未增加攻击行为，可能因水鸟回避冲突。理羽时间增加（尤其秧鸡类达56.7%）可能反映逃生准备策略。时间分配变化幅度均在已知水鸟行为范围内（Wood et al. 2017 meta-analysis），表明生态影响有限。

技术优势：相比传统观察，网络摄像头实现：

• 零干扰数据采集（无"访客效应"）

• 跨地域协作（如残疾研究者参与）

• 公众科学（citizen science）潜力

局限：

• 分辨率限制物种鉴定（如Canada goose与greylag goose混淆）

• 未涵盖夜间行为（nocturnal interactions）

• 单季节数据需跨年验证

展望

建议未来研究整合：

1. 高分辨率摄像头（4K/热成像）

2. 个体标记追踪（如羽色编码）

3. 能量收支模型（energy budget model）评估行为变化的适应代价

该研究为理解水禽群落动态提供了新视角，同时验证了远程监测技术在行为生态学中的应用潜力。