基于标记重捕与序贯贝叶斯推演的洄游鱼类丰度动态监测模型创新研究

来自法国的研究人员针对洄游鱼类种群数量评估难题，开发了一种融合日捕获效应与贝叶斯层次模型的标记-重捕（CMR）新方法，通过25年鲑鱼幼鱼迁徙数据验证，实现了对迁移物候和丰度的高精度量化，为生态保护提供关键工具。

　　

针对洄游鱼类(diadromous fish)在狭窄河道迁徙过程中的种群数量监测难题，研究者提出了一种创新的标记-重捕(capture–mark–recapture, CMR)模型。该模型首次引入"重捕日效应"参数，量化标记个体在第二陷阱(recapture trap)通过概率的日际变化。通过贝叶斯层次模型(Bayesian hierarchical approach)，实现了多年度数据的联合分析，并采用原创的序贯贝叶斯推断流程：先基于双重陷阱数据估算每日捕获概率动态，再将此先验信息迁移至种群数量评估阶段。

研究以法国Scorff河流域25年的鲑鱼幼鱼(salmon smolts)迁徙数据为案例，证实该方法能有效规避未标记鱼类捕获量对概率估计的干扰。该框架为洄游物种保护提供了更可靠的丰度(abundance)与物候(phenology)监测工具，尤其适用于通过狭窄廊道的全群组迁徙(cohort migration)研究。