《Wildlife Biology》：Keeping an eye on the moose population: evaluating monitoring via hunter observations
编辑推荐：
基于猎人的监测项目（hunter-based monitoring programs）为大规模野生动物监测提供了一种成本效益高的方法，但其性能取决于足够的观察努力（observation effort）以及对估计精确度（estimate precision）的
基于猎人的监测项目（hunter-based monitoring programs）为大规模野生动物监测提供了一种成本效益高的方法，但其性能取决于足够的观察努力（observation effort）以及对估计精确度（estimate precision）的稳健评估。研究人员评估了?lgObs（瑞典全国性的基于猎人的驼鹿观察项目）的性能，使用了六个狩猎季（2019/2020–2024/2025）在驼鹿管理区（Moose management areas, MMA）的数据。研究人员通过基于自举法（bootstrap-based）的精确度分析，在观察努力逐步累积的条件下，评估了相对丰度（relative abundance, RA）、公牛比例（proportion of bulls, POB）和观察到的补充率（observed recruitment rate, ORR）估计的稳定性（stability）与精确度。对于每个MMA和年份，研究人员量化了达到预定义变异系数（coefficient of variation, CV ≤ 0.05、0.125、0.25、0.5）所需的努力，并考察了这些阈值在狩猎季内何时被达到。相对丰度估计在实际努力水平下始终达到可接受的精确度，确认?lgObs是在大空间尺度上追踪相对丰度的有效工具。尽管公牛比例和观察到的补充率在季初因采样稀疏和分母较小而表现出高变异性，但自举分析显示，总季节努力在大多数MMA–年份组合中通常足以获得这些指标的稳定估计。阈值达到的时间因区域和年份而异，许多组合在狩猎季第一个月内即达到可接受的精确度。研究人员的结果表明，?lgObs能提供相对丰度的精确估计，并且在瑞典驼鹿狩猎季的标准努力下，也能够在大多数区域获得足够精确的种群结构（population structure）估计。然而，在参与度持续较低的区域，可能需要有针对性的补充方法（complementary methods）。总体而言，?lgObs代表了一种参与式野生动物监测（participatory wildlife monitoring）的有效模式，在实用的成本效益方法与对适应性驼鹿管理（adaptive moose management）具有科学相关性的结果之间取得了平衡。这些分析评估了?lgObs估计的稳定性和精确度，但未评估其准确性（accuracy），后者值得进一步研究。
**研究背景与问题** 野生动物监测（wildlife monitoring）是适应性管理（adaptive management）的核心组成部分，为设定狩猎配额和评估种群动态趋势提供必要的数据基础。在北半球，有蹄类（ungulate）种群的持续增长加剧了狩猎管理与林业部门之间的冲突，迫切需要积极的种群控制，因此可靠的丰度与种群结构估计至关重要。然而，大型哺乳动物的现有监测方法往往成本高昂、后勤要求高或难以在大地理范围内实施：航空调查（aerial surveys）成本高且受安全约束限制；红外相机（camera traps）虽具成本效益但存在可探测性偏差（detectability biases），在景观尺度上耗时巨大；遥测（telemetry）数据精确但昂贵且难以在种群尺度实施；地面方法（如粪堆计数和取食指数）一般局限于小区域且无法反映种群结构。在瑞典这样驼鹿种群跨广阔景观管理的国家，气候变异性增加进一步限制了依赖天气的监测方法。基于猎人的监测项目因此成为许多国家采用的常见普查方法，往往代表鹿类种群动态唯一的长期测量手段。瑞典自20世纪80年代起运行"Obs"自愿性猎人观察系统，其中?lgObs专门针对驼鹿（Alces alces），覆盖除哥特兰县外的全国范围。尽管已有研究证明基于猎人的驼鹿观察作为监测工具的精确性和成本效益，但尚未对全瑞典MMA范围内获得稳定精确估计所需的努力进行系统评估。为此，研究人员基于2019/2020–2024/2025狩猎季的全国数据，应用三种互补的自举分析，考察：1）相对丰度、公牛比例和观察到的补充率估计如何随观察努力增加而稳定；2）各指标和区域达到预定义精确度阈值所需的最低努力；3）这些阈值在狩猎季内何时达到，从而为评估仅第一个月的监测是否足以支持驼鹿管理决策提供经验依据。
**关键技术方法** 研究数据来源于瑞典全国野生动物数据库的?lgObs项目，覆盖2019/2020–2024/2025六个狩猎季、以驼鹿管理区（MMA，由三名土地所有者和三名猎人组成的管理小组领导的空间管理单元）为单位记录。分析方法包括：以1000次迭代的自举法（bootstrap）进行稳定性分析（stabilization analysis），按狩猎日期对观察重采样并追踪累积努力与指标组分，通过10次观察滚动平均（rolling average）的相对变化低于阈值δ（5%、2%、1%）定义稳定点，并以5、10、20的窗口进行敏感性检验；以固定努力水平（100–10000 h，100 h递增）的1000次自举分析计算变异系数（CV）评估精确度，采用Robson和Regier（1964）及Clawson等（2013）的阈值框架；以及将所需努力映射到全狩猎季时间序列上的努力–精确度充分性分析（effort-precision sufficiency analysis）。全部分析在R ver. 4.5.1中完成，固定随机种子（123），使用'furrr'包并行处理。
**研究结果** 观察努力与参与度：六个狩猎季中观察努力在区域和年份间差异显著，最南部的G?taland总努力始终最高，其次为中部的Svealand和最北部的Norrland；各区域内努力呈可预测的时间模式，峰值集中在狩猎季最初几天，周末出现次级周峰值，反映了狩猎活动的休闲结构。
稳定性分析：各指标估计达到稳定所需的努力差异显著，但在所有MMA–年份组合中实际观察努力均持续满足该要求。对于全部三个指标、三个稳定阈值（δ = 5、2、1%）和三种滚动窗口（5、10、20次观察），100%的MMA–年份组合实际努力均超过推导的稳定需求。敏感性分析证实窗口选择不改变结论的定性性质，但较大窗口需要更多努力才能达到稳定，窗口 = 20在所有指标上所需努力显著高于窗口 = 5（图1）。窗口 = 10被选为主要分析窗口作为保守的中间值。
精确度分析：CV随累积观察努力增加而系统性下降（图2）。相对丰度的最低信息阈值（CV ≤ 0.50）在各区域约需500–650观察小时；粗略管理阈值（CV ≤ 0.25）约需1500–2100 h；精确管理阈值（CV ≤ 0.125）约需4300–6600 h，Norrland始终需要比G?taland和Svealand更多的努力。精确研究阈值（CV ≤ 0.05）在多数MMA–年份组合中无法在观察努力范围内实现。公牛比例和观察到的补充率达到等效CV阈值所需努力大致相似，观察到的补充率在低努力水平下方差最高，尤其在Norrland。
努力–精确度充分性分析：狩猎季第一个月内达到预定义精确度阈值的MMA–年份组合比例在区域和指标间差异显著（图3）。对于相对丰度CV ≤ 0.125，G?taland有82%、Svealand有71%、Norrland有50%的组合在第一个月内达标；CV ≤ 0.25时分别为95%、92%和79%。在G?taland，没有组合在第一个月之后才达标——组合要么在第一个月内达标，要么在观察到的季节努力内从未达标，反映了该区域高而集中的努力特征。在Norrland和Svealand，一小部分但持续存在的组合在第一个月之后达标，尤其是观察到的补充率在CV ≤ 0.125时（Norrland为15%，Svealand为2%）。公牛比例和观察到的补充率呈现与相对丰度大致相似的模式，但第一个月内达到CV ≤ 0.125阈值的组合比例较低，尤其在Norrland，分别仅有48%和33%的组合在第一个监测月内达标。CV ≤ 0.05阈值在所有区域和指标中仅有不到1%的组合在第一个月内达到，证实这一适用于精确研究应用的精确度水平在当前监测条件下很少可实现。在阈值可达的情况下，达到阈值的中位天数始终较低：CV ≤ 0.125时，达标中位数发生在季节开始后的前1–11天，表明当阈值可实现时，往往在监测期早期即被达到。
**讨论与结论** 讨论部分指出，研究发现?lgObs在标准瑞典监测努力下能提供驼鹿相对丰度的稳定精确估计，支持其作为大规模种群监测成本效益工具的价值，但分析评估的是精确度而非绝对准确性。稳定性分析显示相对丰度估计在相对较低的累积努力下即收敛，而公牛比例和观察到的补充率需要更多努力才能达到可比稳定性。精确度分析进一步表明，在大多数MMA–年份组合中，狩猎季第一个月累积的努力足以满足相对丰度管理相关精确度阈值（CV ≤ 0.125和0.25），且在许多情况下也足以满足公牛比例和观察到的补充率。这些结果与先前对?lgObs的评估一致，并通过提供覆盖全瑞典MMA范围的系统性、多年份、空间全面的努力充分性评估对其进行了扩展。作者同时强调，与所有非侵入性监测方法一样，准确性可能受到植被覆盖、季节行为、观察者经验、天气或群体组成引起的可探测性偏差影响，这些偏差来源在检测概率跨年份保持合理稳定时不一定使?lgObs的趋势监测失效，但?lgObs估计不应被解释为丰度或种群统计率的绝对测量而不经独立验证；Ericsson和Wallin（1999）发现瑞典猎人观察指数与独立种群密度估计正相关，繁殖率与无线电项圈雌性测量结果相关良好，但该研究也发现指数在高驼鹿密度（> 1.0 moose km?2）下对下降的敏感性。与其他监测方法相比，?lgObs在成本效益、空间覆盖和精确度方面表现良好，其CV值与红鹿重复计数、斯瓦尔巴驯鹿距离抽样、宽吻海豚标记–重捕和样线调查等方法观察到的CV值大致相当，表明基于猎人的观察指数能够在显著更低的成本和更广的空间范围内达到与资源密集型方法相似的精确度。公牛比例和观察到的补充率较高的变异性反映了从观察数据估计种群统计比率的固有困难，这是所有非侵入性监测方法的共同局限而非方法特定的弱点。区域精确度差异主要反映了猎人参与度的差异，自愿系统参与度通常不均，北部人口稀少区域往往较低，Norrland部分地区较低的驼鹿密度进一步降低遇见率。?lgObs的自愿性和分散性意味着各MMA参与率不同，参与度较低或不稳定的区域面临产生不精确估计的更大风险；促进标准化努力记录和提供更清晰的参与指南可改善精确度，而持续低努力MMA可能需要补充方法。长期可持续性取决于猎人参与的持续，欧洲猎人数量下降且平均年龄增加，瑞典也经历了类似波动；但稳定性分析表明当前努力水平超过各指标和区域稳定估计所需的最低水平，暗示?lgObs可能抵御参与度的适度下降。此外，作为自愿性网络报告系统，?lgObs受参与式公民科学项目常见局限的制约，包括互联网连接和数字素养要求、参与意愿随狩猎成功率和社会规范变化等因素。研究框架广泛适用于其他地方的大型有蹄类猎人监测项目，基于CV的阈值提供了可转移的监测充分性评估标准；将猎人观察与独立数据源（如航空调查、相机陷阱检测模型、收获数据或遥测）整合可减少不确定性并帮助校正偏差，因为猎人在景观上并非随机分布，而是聚集在目标物种密度较高处或与人居环境相关的土地利用处，可能夸大相对丰度，种群统计率也可能因栖息地分离或家域差异而受类似偏差影响；长期运行的参与式项目可能因猎人在不理想的狩猎季后停止报告而参与度下降，观察者疲劳也可能影响季内报告一致性，多方法整合在改善野生动物监测推断方面已显示出强大潜力。结论部分译文：研究人员对?lgObs的多年评估表明，这一基于猎人的监测项目在实际监测努力下提供了驼鹿相对丰度的稳定精确估计，支持其作为瑞典大规模种群监测成本效益高且可扩展工具的价值。基于自举的分析显示，在大多数MMA–年份组合和区域中，狩猎季第一个月累积的观察努力足以满足相对丰度的管理相关精确度阈值（CV ≤ 0.125和0.25），并且在许多情况下也足以满足公牛比例和观察到的补充率。这些发现为评估当前监测实践是否足以支持MMA层面的适应性驼鹿管理决策提供了经验依据。种群统计指标估计的精确度仍更具变异性，尤其在Norrland以及观察到的补充率在严格阈值下，反映了在低努力水平下从观察数据估计比率的困难。必须指出，稳定性和精确度并不意味着准确性，?lgObs估计可能受到与检测概率相关的系统性偏差影响，这些偏差无法从本文数据评估，值得进一步研究。为最大化?lgObs的价值，建议促进标准化努力记录和一致的参与，尤其是在表现不佳的区域，并在精确度持续不足的地方将猎人观察数据与补充监测方法整合。项目的长期可持续性将取决于维持积极参与的猎人基础并解决参与障碍。在瑞典之外，本文提出的分析框架可广泛转移至其他基于猎人的有蹄类监测项目，所采用的基于CV的精确度阈值为评估不同系统和物种的监测充分性提供了广泛认可的标准。
