SAMPL:一种用于评估空间采样策略的基于智能体模型

《Ecological Modelling》:SAMPL: An agent-based model to evaluate spatial sampling strategies

【字体: 大 中 小 】 时间:2026年07月31日 来源:Ecological Modelling 3.5

编辑推荐:

  若无关于种群的准确可靠信息,则难以做出明智的物种管理决策。为满足这一关键需求,已开发出多种采样技术。然而,由于自然种群的真实参数鲜为人知,评估采样技术的效能往往十分困难。在仿真模型中,目标物种的种群分布与密度可被定义和操控,这使其成为评估采样技术的有用工具。本

  
若无关于种群的准确可靠信息,则难以做出明智的物种管理决策。为满足这一关键需求,已开发出多种采样技术。然而,由于自然种群的真实参数鲜为人知,评估采样技术的效能往往十分困难。在仿真模型中,目标物种的种群分布与密度可被定义和操控,这使其成为评估采样技术的有用工具。本文中,研究人员介绍了“用于监测种群水平的调查分析(Survey Analysis for Monitoring Population Levels, SAMPL)”,这是一种空间显式(spatially explicit)、基于智能体(agent-based)的模型,旨在仿真并比较生态采样技术。尽管SAMPL最初设计用于仿真河流环境中的淡水贻贝调查,但其具有高度适应性,可用于评估各类生境与生物的采样。SAMPL内置四种野外生态采样常用策略:三种定量策略(简单随机抽样(simple random sampling)、样线采样(transect sampling)和自适应聚类采样(adaptive cluster sampling))与一种定性策略(定性计时搜索采样(qualitative timed search sampling))。用户可比较各采样方法在估计种群密度和优化探测率方面的效用。随后,研究人员通过一个案例研究演示了SAMPL的应用,该案例考察了可探测性下降对淡水贻贝定性调查中单位努力捕获量(CPUE)估计值的影响。案例研究表明,可探测性的降低会导致CPUE不成比例地降低,强调了使用定性调查评估淡水贻贝丰度所面临的潜在挑战。
研究背景与问题提出
在保护与管理的实践中,决策可靠性依赖于野外调查所提供的信息质量。然而,由于不完全采样、采样误差以及环境或 demographic 随机性,野外技术难以完整描述种群真实特征;不同采样方法间的可比性也因缺乏“真值”而受限。为克服这一障碍,“虚拟生态学家(Virtual Ecologist, VE)”方法通过在受控环境中仿真种群,使研究人员能在完全知晓种群参数(密度、分布)的前提下反复评估采样结果。基于智能体建模(Agent-Based Modeling, ABM)作为VE工具箱中的一员,能以决策规则逼近调查者行为,适合在多层组织水平上测试假设。现有R包sampling、ArcGIS Sampling Design Tool及SAMPLE等工具多偏向量化设计,缺乏同时涵盖定量与定性、且带图形界面与智能体行为仿真的开源平台。因此,研究人员开发了SAMPL,一个在NetLogo v6.4中实现、空间显式、开源(GNU GPL v3)的ABM,初始案例为河流淡水贻贝(成体固着、高度濒危、分布非随机),但模型空间不绑定生境特征,可推广至湖泊、陆地、海洋及植物、珊瑚、真菌等固着生物。
主要技术方法
研究人员采用ODD(Overview, Design Concepts, Details)协议描述模型。模型域为50 m × 10 m(500 m2)闭合非环面网格,像元可作1 m2、0.25 m2或0.0625 m2样方(quadrat)。三类实体为样方、贻贝(静止智能体,含物种稀有度、detectability阈值与随机可探测值、detected状态)、调查者(移动智能体,含搜索/行进模式、季度位置、人时计数)。四种采样子模型:简单随机抽样与样线采样在初始化即解算;自适应聚类采样以初始随机样方触发邻域扩展并用Hansen-Hurwitz估计量;定性计时搜索置入3名调查者,以相关随机游走(correlated random walk)移动,搜索速率2 min m–2、行进3 sec m–1,输出CPUE(贻贝数/人时)。分布随机性支持随机、Poisson簇、Matérn簇;可探测性以阈值与每贻贝随机数比对实现不完整探测与重复采样。案例研究部分,研究人员的样本并非野外队列,而是在SAMPL内生成虚拟种群:密度0.1或1.0 贻贝 m–2,随机或5个Poisson簇(均值3 m),可探测性0.5或1.0,每种组合运行定性计时搜索(4.5人时、可变搜索模式)500次,用Kolmogorov-Smirnov两样本检验比较CPUE经验分布,并以1–(1–detectability)times-sampled算累计探测概率。
研究结果
5.1 背景
定性计时搜索因空间覆盖非随机无法得无偏密度,只能以CPUE指代丰度;可探测性已知会影响CPUE,但定量关系少有探索。研究人员假设可探测性降50%会带来CPUE同比降50%,并在随机vs聚类、低密度vs高密度下检验。
5.2 方法
如上所述,在SAMPL中仿真4.5人时搜索,密度0.1/1.0,分布随机/5-Poisson簇(均距3 m),可探测性0.5/1.0,各组合500次重复;以KS检验比分布,以公式算平均累计探测概率。
5.3 结果
所有情景下,可探测性0.5的实际平均CPUE均高于“完美可探测性CPUE×0.5”的预测值:低密度随机差0.16(高12.3%)、低密度聚类差0.21(13.2%)、高密度随机差1.86(15.7%)、高密度聚类差3.35(23.2%)贻贝 p-h–1。KS检验所有情景p<0.001,分布不同。0.5可探测性下单个贻贝平均被采样1.35–1.42次,累计探测概率0.58–0.59,高于0.5阈值——因未检出者可被再次经过并重新掷骰可探测值。结论:可探测性下降引起CPUE“不成比例”下降(实际降幅小于线性预期,但因重采样使CPUE仍偏高),说明定性调查CPUE对可探测性非线性敏感。
讨论与结论翻译
理解调查设计对种群估计的影响,是批判性评估野外应用决策如何左右结果的关键。尽管如此,评估这些决策的影响并非易事。SAMPL类工具提供了在受控环境中评估调查设计的手段,使研究人员能在生物密度、分布与可探测性连续体上比较设计选择。这些比较可切实指导并改进野外采样,最终催生更可靠的调查技术。案例研究表明,可探测性降低可能导致定性计时搜索中CPUE不成比例降低;CPUE估计值实际上高于预期,其驱动因素是调查者能重采样样区、从而捕获初次未检出的贻贝。这种伴随可探测性降低而来的CPUE不成比例变化,凸显了在评估贻贝种群时需精心规划调查;一致调查实践至关重要,因野外可探测性罕为已知且随生境、调查者能力、物种/大小、埋栖行为而变。SAMPL仿真的定性计时搜索是对人行为—生境—可探测性交互的简化表征,野外复杂度更高。基于SAMPL初步结果,研究人员鼓励野外研究评估可探测性对CPUE的潜在影响,因可探测性差异会引起CPUE不成比例变化,使时空可比性受损。随技术进步,计算机仿真价值日增,但弥合技术进展与使用者可及性之鸿沟仍存障碍。SAMPL以友好界面服务科研、实践与教育,令田野决策如何影响种群指标精度得以被理解;其自由获取能以远低于野外评估的时空成本,借生态建模之力审视采样规划。地面调查与种群评估仍是物种管护核心,以SAMPL类模型赋能调查,是确保优质技术产出可靠指标、引导有效保护之强有力途径。
(论文发表于《Ecological Modelling》)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号