提速:模拟动物运动速度未能克服一种常用相机陷阱密度估计器的局限性

《Ecological Modelling》:Speeding by: Modeling animal movement speed does not overcome limitations of a popular camera trap density estimator

【字体: 大 中 小 】 时间:2026年08月09日 来源:Ecological Modelling 3.5

编辑推荐:

  视域密度估计器(viewshed density estimator)提供了一种非侵入性的替代方法,替代捕获-标记-再捕获(capture-mark-recapture)方法,利用相机陷阱图像和辅助信息来估计未标记动物种群的密度。一种著名的估计器,随机相遇模型

  
视域密度估计器(viewshed density estimator)提供了一种非侵入性的替代方法,替代捕获-标记-再捕获(capture-mark-recapture)方法,利用相机陷阱图像和辅助信息来估计未标记动物种群的密度。一种著名的估计器,随机相遇模型(random encounter model, REM),可以产生有用的密度估计,但需要输入运动速度,而该速度从遥测数据中推导具有挑战性。最近提出的一种基于连续时间运动模型(continuous time movement model)的方法来获取速度估计,可能提供一种前进方向,但尚未经过严格评估。研究人员旨在通过实际遥测数据驱动的模拟,测试该方法下的重要研究考虑因素(数据质量、个体行为和标记偏差),允许模拟个体在虚拟相机陷阱网格中移动。然后,研究人员将虚拟检测数据与模拟运动速度在REM框架中结合,评估一系列情景下的性能。研究人员发现,数据质量下降(即更稀疏的遥测数据)增加了REM密度估计的偏差,并降低了置信区间的覆盖率。差的数据质量还阻碍了估计所需的关键运动模型参数,而这些参数是获得运动速度所必需的。当运动行为差异很大时,REM表现更差,各情景下偏差更高。研究人员还发现,无论使用何种速度输入,REM在实际案例研究中始终严重低估参考密度,这表明与行为和不完美检测相关的额外因素可能进一步限制了模型性能。最终,像REM这样基于设计的方法做出了强烈的采样假设,如果没有充分纳入生态真实性,可能无法产生无偏的密度估计。
种群密度估计对于野生动物管理和保护至关重要。传统的捕获-标记-再捕获(CMR)方法虽然有效,但成本高、耗时且对动物有压力。相机陷阱作为一种非侵入性工具,可提供被动数据,但许多物种无法通过图像个体识别,因此发展了视域密度估计器,如随机相遇模型(REM,一种基于相机视图和动物运动速度的密度估计方法)。REM假设动物像理想气体粒子,需要输入平均运动速度,但速度估计常受遥测数据采样频率限制。近期提出的连续时间运动模型(CTMM,通过建模速度自相关来估计速度的方法)有望解决这一问题,但尚未被严格评估。研究人员利用雪鞋兔(Lepus americanus)的GPS遥测数据,结合模拟和案例研究,评估了数据质量、个体行为变异和标记偏差对REM性能的影响。研究结论表明,数据质量下降会增大REM偏差并降低置信区间覆盖率,个体行为变异进一步恶化性能,且案例研究中REM始终低估参考密度,揭示了REM的局限性。论文发表在《Ecological Modelling》。

主要关键技术方法包括:使用连续时间运动模型(CTMM)拟合GPS数据,提取速度自相关参数(τv)和速度估计;通过模拟在虚拟景观中布置3×3相机网格,生成个体运动轨迹并记录接触事件;采用子采样模拟不同数据质量(采样频率、成功率和跟踪时长);以REM公式结合自举法计算密度估计,并评估绝对百分比偏差、变异系数和置信区间覆盖率。样本队列来源为华盛顿州Loomis State Forest的12个站点,2022-2025年采集的雪鞋兔GPS遥测数据(共200次部署,98个个体)。

**3.1. Telemetry and movement modeling**:通过分析200个追踪记录,发现仅23.6%的模型包含速度自相关参数(τv),且τv估计范围大(735.4至19537.9秒),表明2小时采样频率难以捕捉速度自相关。速度估计值在0.59-4.56 km/day之间,与扩散法结果相近。

**3.2. Simulation results**:模拟显示,数据质量下降(尤其是低采样频率和低τv)导致速度估计偏差增大,进而使REM密度偏差显著增加(最高达250%)。当个体行为变异较大时,REM偏差更高,且RMS速度近似法在部分场景下表现更好。置信区间覆盖率随密度增加而降低,尤其在速度自相关模型适用时。

**3.3. Case study results**:在真实雪鞋兔数据中,REM密度估计始终低于空间捕获-再捕获(SCR)参考密度,平均偏差45.3%-55.6%,站点间偏差范围接近0%-80%以上。不同速度输入策略(典型CVM、个体CVM、典型RMS、个体RMS)下的密度估计均与SCR相关性较高(Pearson's r=0.781-0.787),但置信区间重叠率低(平均48%),且不确定性高于SCR。

讨论部分总结:研究强调数据质量、个体行为变异和空间利用结构是REM应用的主要障碍。即使使用CTMM方法,速度估计仍受采样频率和τv关系限制,且个体间的行为差异使均值速度输入不具代表性。此外,动物家域结构(如核心区与边缘区)与理想气体假设不符,导致接触率估计偏差。案例研究中的低估可能源于反应行为(如吸引)和不完美检测,增加了模型复杂性。最终结论(翻译自结论部分)为:REM及其他类似模型在近期文献中表现良好,但原因可能包括研究系统特异性及发表偏倚。研究人员强调,这些模型基于强采样假设,在未充分纳入生态真实性的情况下可能产生误导性结果。需要进一步测试和评估,才能广泛应用于监测计划,未来工作应致力于提高模型在不同情境下的可靠性,并加深对相机检测过程与种群密度关系的理解。
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