《Canadian Journal of Fisheries and Aquatic Sciences》：Integrating multiple surveys for abundance indices: single- and multi-survey spatio-temporal models for Hudson River anadromous fish abundance
编辑推荐：
摘要翻译：结合多项调查的渔获数据可能克服单项调查的局限性，并产生改进的丰度指数。然而，维持多项调查并开发整合指数需要大量资源，若单项调查能提供可靠的趋势估计，则可能并无必要。研究人员应用时空建模框架，从哈德逊河河口的两个长期渔业独立监测项目中推导出单调查与多调
摘要翻译：结合多项调查的渔获数据可能克服单项调查的局限性，并产生改进的丰度指数。然而，维持多项调查并开发整合指数需要大量资源，若单项调查能提供可靠的趋势估计，则可能并无必要。研究人员应用时空建模框架，从哈德逊河河口的两个长期渔业独立监测项目中推导出单调查与多调查丰度指数：近岸海滩围网调查和离岸多网具拖网调查。研究人员将这些指数与当前用于资源评估的几何平均指数进行比较，通过评估幼鱼（young-of-year）美洲西鲱（Alosa pseudoharengus）、美洲鲥（Alosa sapidissima）、蓝背鲱（Alosa aestivalis）和条纹鲈（Morone saxatillis）的丰度估计值与精确度来进行比较。研究发现，整合调查并未持续改变趋势或提高精确度，表明在某些情景下单项调查可能已足够。然而，研究人员建议在可行时维持互补性调查仍具有价值，因为跨指数比较可提供对物种生态学的洞见，并增强对丰度趋势的信心。
论文解读：
**研究背景与问题**
可靠的丰度指数是渔业管理科学的基础，但鱼类在空间和时间上常呈非均匀分布，采样方法受网具类型、调查设计、栖息地及其他生物与非生物过程影响而存在偏差。渔业独立调查和标准化方法虽能降低偏差，但难以完全消除。整合多项调查数据有望利用各调查优势改进种群动态建模，例如平衡资源密集型调查的空间或时间覆盖不足、结合数据丰富但可能有偏的渔业依赖调查与数据有限但统计优化的渔业独立调查，以及通过整合采样不同栖息地的调查来改进总体丰度表征。然而，整合多源数据也可能传播数据源的弱点，若整合方法相对单调查方法不能提供新见解，额外监测将消耗管理资源。因此，评估整合指数的效用和附加价值至关重要。时空建模能够整合异质数据源，并已在传统丰度指数标准化方法上显示出改进优势，但其在比较单调查与多调查指数方面的应用仍需具体评估。
**研究目标与实施**
研究人员以美国纽约哈德逊河河口（Hudson River Estuary, HRE）为研究区域，选取四种具有重要管理、文化和经济价值的溯河鱼类——美洲西鲱、条纹鲈，以及常被合并管理的河鲱类——美洲鲱（Alewife）和蓝背鲱（Blueback Herring）为对象。研究利用两个长期渔业独立监测项目的数据：纽约州环境保护部（NYSDEC）开展的近岸海滩围网调查（以下简称“近岸调查”）和哈德逊河生物监测计划（HRBMP）中的秋季幼鱼调查（以下简称“离岸调查”）。近岸调查于1979年开始，针对浅水栖息地（<3 m水深）的幼鱼；离岸调查始于1974年，采用分层随机设计，覆盖浅滩、河道和底层三种深度分层。研究使用1980—2014年的数据以保证网具一致性。对每种鱼类，研究人员分别仅用近岸数据、仅用离岸数据以及两者组合数据构建了幼鱼丰度的时空模型，并将所得指数与NYSDEC基于近岸调查渔获几何平均值（geomean）的现行指数进行比较。评估内容包括指数间冗余度、估计不确定性，以及四种生态独特鱼类在超过30年研究期间内指数关系与推论的一致性。
**主要关键技术方法**
研究人员使用向量自回归时空模型（Vector Autoregressive Spatio-Temporal, VAST）框架（v3.11.3，在R v4.5.2中实现）。该框架为delta-广义线性混合模型，通过两个线性预测器（遭遇概率和遭遇条件下正计数期望值）估计种群密度。模型包含时间固定效应、空间和时空随机效应（各向异性高斯马尔可夫随机场，GMRF），并以面积扫过量（m2）作为偏移量。对于每个物种-数据源组合，研究人员评估了多种误差分布（delta-lognormal、delta-gamma、零膨胀负二项、零膨胀泊松）、不同节点数（50至1000）及协变量配置，使用AIC（Akaike Information Criterion，赤池信息准则）和RMSE（均方根误差）选择最佳模型。网具、采样时间、采样深度作为可捕性协变量，河流深度和底质类型作为密度协变量。模型诊断包括检查梯度和Hessian矩阵，并使用DHARMa包进行残差分析。指数计算采用面积加权方法，并通过TMB的delta方法计算标准误和变异系数（CV）。所有模型参数化均使用epsilon偏差校正。
**研究结果**
**观测CPUE比较：** 四种鱼类的近岸与离岸调查观测到的单位努力渔获量（CPUE，以每平方米渔获数表示）均呈显著正相关（Spearman秩相关，p < 0.05）。近岸调查年 haul 数较少（年均430次），但正渔获CPUE较高；离岸调查 haul 数多（年均1831次），但零渔获比例更高。
**模型结构与拟合：** 不同物种和数据源的最佳模型结构有差异。大多数模型包含网具、采样时间、采样深度作为可捕性协变量，河流深度为密度协变量，底质也常见。零膨胀负二项（ZINB）分布最常被支持。模型诊断表明所有场景下拟合良好，预测密度与观测密度显著正相关，多数模型斜率接近1，但截距偏高（3.490–6.473），表明预测值整体偏高。
**指数比较：** 由近岸、离岸及组合数据构造的丰度指数总体相似，与DEC几何平均指数也较相似，但存在例外。美洲西鲱各指数间相关性最高（Spearman's rho = 0.837–0.961）。蓝背鲱各指数间一致性最低。离岸与组合指数间相关性较高，组合指数与离岸指数相关性最强，这可能因为组合数据中离岸样本占比更大。某些年份不同指数对高丰度年的判断不一致，如蓝背鲱1990年。
**精确度比较：** 离岸和组合指数的年度CV显著低于近岸指数（Wilcoxon检验，BH校正p < 0.001）。组合指数在美洲鲱上比离岸指数有更低不确定性（平均CV 0.213对0.283），而条纹鲈离岸指数不确定性更低（平均CV 0.223对0.397）。总体上组合指数并未一致改进精确度。
**空间预测模式：** 除条纹鲈外，离岸预测密度在上中游（约rkm 125–175）较高，与近岸调查采样稀疏区域吻合。组合指数空间模式最接近离岸模式（美洲鲱除外）。
**讨论总结**
研究结果表明，整合近岸和离岸调查数据并未持续改变丰度趋势或改进精确度，与研究人员预期相反。可能原因包括：两调查覆盖范围差异大，近岸调查仅采样河道子区域，VAST在低样本区域预测不确定性高，整合后传播了该不确定性；固定站点（近岸）与分层随机（离岸）的采样设计差异可能引入未建模偏差；物种生活史和栖息地利用影响各指数的相对效用。例如，美洲鲱的昼夜垂直迁移导致两调查采样其分布的不同方面，因此组合指数精确度明显提高；蓝背鲱虽CPUE相关弱，但组合指数与离岸指数效果类似；条纹鲈因近岸调查添加了额外空间异质性，导致组合指数精确度降低。
**结论翻译**
总体而言，组合模型和单调查模型及指数为每个物种提供了新的见解。然而，从管理角度来看，在规划长期监测策略时，应权衡整合有时带来的边际收益与资源需求。研究建议当资源允许时，探索并比较单调查和多调查丰度模型以进行稳健推断。同时，维持互补性调查即使未改进指数精度，仍具有保护和管理价值，因为冗余的指数间强相关能增强对丰度趋势的信心，并有助于揭示物种生态学模式。对于哈德逊河而言，近岸指数可能足以回答四种目标鱼类的丰度趋势管理问题，但离岸调查提供的更高精度及其对濒危物种（如大西洋鲟）监测的不可替代性，需在资源决策中慎重考虑。未来工作可明确整合保护决策框架，评估维持一项或两项调查的权衡和效用。
