《Ecosphere》:Evaluating camera trap methods for monitoring population trends in ungulates: Insights from simulation
编辑推荐:
相机陷阱(camera traps)在过去十年中被广泛用于监测未标记动物种群的丰度。大多数估计方法要么依赖于动物通过检测区的次数,如随机相遇模型(REM),要么依赖于时间间隔程序中动物出现在图片上的捕获次数,如瞬时采样(IS)方法。然而,这两种流行方法类在可靠
相机陷阱(camera traps)在过去十年中被广泛用于监测未标记动物种群的丰度。大多数估计方法要么依赖于动物通过检测区的次数,如随机相遇模型(REM),要么依赖于时间间隔程序中动物出现在图片上的捕获次数,如瞬时采样(IS)方法。然而,这两种流行方法类在可靠检测种群趋势和估计种群规模方面的能力很少被评估。研究人员通过模拟一个设置在2600公顷区域上的100或25个相机陷阱(分别约为4和1个陷阱/km2),以及一个虚构的300只狍(Capreolus capreolus)种群的移动,填补了这一空白。模拟基于GPS监测狍的栖息地、栖息地选择和活动模式的实地数据。在理想条件下(例如,对日移动距离和可见性的完美了解),IS和REM都提供了无偏的种群估计,尽管不确定性仍然很大(在4和1个陷阱/km2下,变异系数(CV)分别为15%至30%)。然而,研究人员的 results 表明,忽略不完全的可检测性会导致绝对密度估计的严重偏差。此外,尽管有理想化条件和大量采样努力,在5年内模拟的20%种群下降在高陷阱密度下仍有65%–75%的模拟未被两种方法检测到,在低陷阱密度下为80%。测试其他采样策略以提高灵敏度要么导致种群规模估计精度不变(分层采样),要么导致估计趋势有偏(仅在高质量栖息地采样)。模拟家域范围大10倍的动物导致下降被遗漏的频率降低(高陷阱密度下5%–40%,低陷阱密度下33%–67%)。这些结果表明,相机陷阱使用的关键指标是每只动物平均访问的不同陷阱数量,这反过来取决于陷阱密度、家域范围大小和空间利用异质性。研究人员提供了一个R包,允许读者复现这些模拟,并进行自己的模拟。
**论文解读:基于模拟的相机陷阱方法监测有蹄类种群趋势评估**
**研究背景与问题**
相机陷阱(camera traps)在野生动物研究中广泛应用,用于估计占有率、行为研究及物种相互作用,特别是捕食者-猎物相互作用。对于可个体识别的物种,捕获-再捕获(capture-recapture)方法可用于估计种群规模。但近年来,大量研究致力于用相机陷阱估计未标记动物种群的规模。主要方法分两类:基于动物-陷阱相遇(encounter)的方法,如随机相遇模型(REM, Rowcliffe et al., 2008);基于动物-陷阱关联(association)的方法,如瞬时采样(IS, Moeller et al., 2018)或相机陷阱距离采样(camera-trap distance sampling, Howe et al., 2017)。这些方法被视为圣杯,因为它们似乎无需传统距离采样的密集观测者努力或捕获-再捕获的个体识别,即可估计种群丰度这一关键参数。然而,这些新方法的性质尚未完全理解,使用时必须考虑众多因素。主要问题之一是不完全可检测性(imperfect detectability):动物在检测区内的可检测性受传感器灵敏度、距离、障碍物、环境条件等影响。多数实践者忽略此问题,导致估计偏差。此外,动物存在不活动期,影响运动传感器检测。尽管已有方法考虑活动模式,但经验验证仍有限。现有比较研究往往使用参考密度值,但统计功效低,易犯第二类错误。模拟提供了一种有价值的替代方案,可在完全已知和用户控制的条件下复现特定相机陷阱研究设置。本研究通过模拟评估用相机陷阱监测狍(Capreolus capreolus)丰度随时间的可行性,探讨陷阱数量、栖息地特征和动物行为如何影响检测频率及种群估计的可靠性。
**研究内容与结论**
研究人员在法国Chizé保护区(2614公顷森林)模拟了一个300只狍的种群,持续5年,模拟了种群下降趋势(20%下降)及家域范围随密度降低而增加(Kjellander et al., 2004)。模拟基于GPS监测数据,整合了栖息地选择、活动模式(休息、觅食、移动)和三个行为状态:休息(不动)、斑块内移动(小范围觅食)和斑块间移动(大范围移动)。相机陷阱随机放置,密度为4或1个陷阱/km2,检测区为20米半径、10°角的扇形,检测概率随距离下降,且休息期动物不可检测。研究人员比较了REM和IS两种估计方法,并考虑了三种校正模式:不校正(REM/IS)、仅校正可见性(REM_d/IS_d)、校正可见性和休息期(REM_da/IS_da)。主要结论:在理想条件下(如完美知道日移动速度),两种方法都能提供无偏种群估计,但精度有限(CV 15%–30%)。忽略不完全可见性导致严重低估,IS偏差更大(约80%低估),REM约35%。校正后,REM在校正可见性后无偏,IS需同时校正可见性和休息期才无偏。趋势估计在平均意义上准确,但变异性大:20%下降在5年内未被显著检测的比例高达65%–75%(高陷阱密度)和80%(低陷阱密度)。将陷阱仅放在高选择栖息地(如路径附近)导致趋势高估(估计下降28% vs 实际20%),因为家域范围增加导致动物在路径附近时间减少。分层采样未改进精度。模拟家域范围大10倍(如红鹿Cervus elaphus大小)的动物时,趋势检测灵敏度显著提高:高陷阱密度下下降被遗漏频率降至5%–40%,低陷阱密度下33%–67%。关键指标是每只动物平均访问的不同陷阱数量,它取决于陷阱密度、家域范围大小和空间利用异质性。
**研究意义**
论文发表在《Ecosphere》。该研究首次系统模拟了相机陷阱监测有蹄类种群趋势的性能,揭示了即使在高采样强度下,对于狍这类家域范围小的物种,监测仍可能无效。而对于家域范围大的物种,相机陷阱更具潜力。研究强调必须考虑不完全可检测性,并指出实践者常犯的错误(如仅在高使用率栖息地放置陷阱)会导致趋势偏差。研究成果为设计相机陷阱监测方案提供了定量指导,并提供了R包simCTChize供用户进行自己的模拟。
**主要技术方法**
研究人员使用了一个多状态Ornstein–Uhlenbeck with foraging (OUf)模型模拟动物移动,整合了三个行为状态(休息、斑块内移动、斑块间移动),参数基于GPS监测的15只狍在Chizé保护区(法国)3月的数据。模拟了5年内种群动态(300只起始,年存活率0.7,繁殖率0.9雌性,每雌1.7幼崽,幼崽存活0.3,导致20%下降)。家域范围从第一年平均13.1公顷增至第五年25.8公顷。相机陷阱随机放置(100或25个,对应4或1陷阱/km2),检测区为20米半径10°角扇形,检测概率随距离下降,模拟了三种栖息地类型(矮林、开阔地、再生林)的可见性差异,并考虑了树木遮挡。使用了两种估计方法:随机相遇模型(REM)和瞬时采样(IS),并进行了三种校正(不校正、校正可见性、校正可见性和休息期)。
**研究结果**
**1. 模拟无栖息地选择的狍种群**
在高陷阱密度(4 traps/km2)下,两种方法在不校正可见性时严重低估种群规模:IS低估约80%,REM约35%。校正可见性后REM无偏,IS仍有约20%偏差。进一步校正休息期后IS无偏。种群规模估计精度中等(CV 15%–20%)。下降趋势在平均意义上正确,但仅25%–36%的模拟中下降显著(10%显著性水平)。低陷阱密度(1 traps/km2)下,精度更差(CV 30%–40%),下降显著比例仅约17%。
**2. 模拟有栖息地选择的狍种群**
当所有动物偏好路径附近,且所有陷阱放在该栖息地时,趋势估计高估:估计每年下降8%(5年28%),而实际每年5.5%(5年20%)。分层采样(部分陷阱在路径附近,部分在外)可获得无偏估计,但精度未优于简单随机采样。
**3. 模拟大家域范围狍种群**
家域范围平均469公顷(标准狍约13公顷),无时间变化。种群规模估计精度与标准狍相似(CV 15%–20%),但趋势估计更精确:高陷阱密度下下降显著比例达95%以上(REM)和50%–76%(IS);低陷阱密度下下降显著比例33%–68%。原因:大家域范围个体平均访问7倍多陷阱,使每个陷阱检测到更多个体,从而更易检测到种群变化。
**讨论与结论**
讨论部分指出:REM和IS给出相似结果,但实践中REM需估计平均移动速度,会引入额外不确定性;IS对休息期更敏感,需排除休息时段。若不考虑检测概率随时间变化(如植被生长),趋势估计可能偏差。仅在随机采样下,趋势估计不要求校正检测,但前提是检测概率恒定。将陷阱仅放在高选择栖息地是常见错误,会导致趋势偏差,因为空间利用会随时间变化(如家域范围增加)。分层采样未改进精度,网格采样可能有效但未测试。模拟假设简化(如点状动物、无性别差异、无群居行为)导致精度被高估,因此实际监测性能更差。对于狍等小范围物种,即使4 traps/km2,20%下降在5年内也常不显著,表明相机陷阱监测价值有限。对于大家域范围物种(如红鹿),监测潜力更大,但实际管理单元面积大时陷阱密度可能仍不足。关键指标是每只动物访问的陷阱数,它取决于陷阱密度、家域范围大小和空间利用异质性。
**研究结论翻译**
尽管本研究提供了无偏的种群规模估计,但也揭示了用相机陷阱监测狍种群的重要局限性:低精度和对动物行为时空变化的高度敏感性。对于大家域范围的虚拟物种,结果更令人鼓舞,这表明相机陷阱种群监测可能更适合高活动性的物种。然而,其他因素可能使这一潜力复杂化。例如,考虑红鹿(Cervus elaphus):该物种的种群管理单元通常远大于2600公顷,每个红鹿家域范围内的相机陷阱数量可能过低,导致低精度估计。此外,该物种的群居行为可能进一步加剧不精确性。因此,即使相机陷阱监测可能对这类物种在小区域内的科学研究有前景,其在野生动物管理者的常规种群监测中的实际可行性仍然值得怀疑,即使对于大家域范围物种也是如此。事实上,研究人员建议读者进行模拟,以确定相机陷阱是否是设计特定物种特定种群监测方案的合适选择,并进行最佳调整。研究人员的R包simCTChize可用于进行此类模拟。如果模拟表明相机陷阱监测对给定物种和研究区域可行,研究人员必须根据其具体目标定制研究设计。如果目标是估计绝对种群规模,则需要正式估计检测概率。如果目标仅限于趋势估计,只要检测随时间恒定,则不一定需要校正可检测性。无论选择何种估计量,管理者必须抵制将陷阱仅放置在高使用率栖息地以最大化检测的诱惑。虽然将相机放置在较少使用区域似乎是一种“浪费”,但研究人员的 results 表明,这种空间随机性是无偏趋势检测的前提。最终,尽管相机陷阱的自动化特性在经济上具有吸引力,但一个科学合理的方案——需要大量设备和随机采样——代表着重大的投资,不仅在财务上,也在人力上。因此,管理者应理解,通过限制研究目标或陷阱密度来降低成本,只有在精度损失和偏差风险对其保护目标可接受的情况下才有可能。