《Methods in Ecology and Evolution》：A method to estimate actual infrastructure-induced mortality by integrating hierarchical sources of imperfect detection
编辑推荐：
人类基础设施是对野生动物最具威胁的因素之一。尽管存在对特定时期内由这些结构导致的动物死亡率的估计，但它们通常未考虑多个层次的不完美检测（即记录死亡率与真实死亡率之间的差异）。因此，真实死亡率及其对种群和物种的影响可能被严重低估。研究人员提出一个分层贝叶斯潜状态
人类基础设施是对野生动物最具威胁的因素之一。尽管存在对特定时期内由这些结构导致的动物死亡率的估计，但它们通常未考虑多个层次的不完美检测（即记录死亡率与真实死亡率之间的差异）。因此，真实死亡率及其对种群和物种的影响可能被严重低估。研究人员提出一个分层贝叶斯潜状态建模框架，该框架在估计死亡率丰度时顺序考虑了产生不完美检测的三个过程：被撞击动物死在调查区域内的概率（尸体位置概率，carcass location probability）、尸体在调查进行前仍留在调查区域内的概率（尸体持久性概率，carcass persistence probability）以及尸体在调查过程中被观察到的概率（尸体观测概率，carcass observation probability）。研究人员采用一项模拟研究，测试物种特征、抽样设计、潜状态参数和先验信息的变化对模型估计道路死亡丰度（以道路致死总数表示）能力的影响。随后，研究人员将该框架应用于一个案例研究，以估计地中海生态系统中每公里的道路致死总数，同时评估不同抽样方法的交叉效率。研究人员的框架在大多数模拟情景中能准确从模拟普查数据中恢复道路致死总数。当模拟的尸体持久性概率变异性较高且贝叶斯先验高度分散时，研究人员发现模型结果与模拟数据之间的差异最大。在案例研究中，研究人员的结果显示道路致死数量显著偏高（例如，根据8.04次观测计数估计雀形目每公里48.92次），且不同脊椎动物类群之间存在显著差异。此外，研究人员的案例研究证实，步行和骑行调查在尸体观测率方面优于驾驶调查，并提供互补信息，观察到部分不同的物种和尸体大小集合。研究人员的建模框架为估计广泛类群的死亡率提供了一种高效方法。优化应用需要广泛的实地工作来估计和整合不完美检测。研究人员提供一份清单，以帮助管理者评估何时能最稳健地评估基础设施相关死亡率，从而优先考虑保护工作。
**论文解读：整合不完美检测分层来源以估计实际基础设施诱导死亡率的方法**
**研究背景与问题**
线性基础设施（如道路、电力线和风力涡轮机）的快速扩张对野生动物构成严重威胁，导致种群下降甚至物种灭绝。尽管已有研究估计了这些基础设施造成的动物死亡数量，但传统方法通常忽略不完美检测问题，即记录到的尸体数量与真实死亡数量之间存在显著差异。这种差异源于三个层次的过程：被撞击动物可能死在调查区域之外（尸体位置偏差）、尸体在调查前因分解或食腐动物活动而消失（尸体持久性偏差）、以及调查过程中观察者未能发现所有尸体（尸体观测偏差）。先前的研究多仅考虑其中一两个层次，缺乏整合所有三个层次的不完美检测的框架，导致死亡率被严重低估。因此，需要开发一种能够同时处理这三个层次并量化不确定性的方法，以更准确地评估基础设施对野生动物的实际影响。
**研究人员开展的研究与结论**
研究人员开发了一个分层贝叶斯潜状态建模框架，通过扩展贝叶斯N-mixture模型（Royle, 2004），将尸体位置概率（p
L）、尸体持久性概率（p
P）和尸体观测概率（p
O）作为潜状态顺序整合。研究通过模拟实验测试了不同脊椎动物类群、抽样设计（步行、骑行、驾驶）、参数变异性和先验信息对模型恢复真实道路致死总数能力的影响，并应用于西班牙南部地中海生态系统的案例研究（9条3公里道路，2023年2-5月每月两次重复调查）。模拟结果显示，在大多数情景下模型能准确恢复总道路致死数，但在高变异性（尤其是每日尸体持久性概率变异大）和弱先验信息时误差增大。案例研究揭示，实际道路致死数远高于观察值（如雀形目从8.04/km升至48.92/km），不同脊椎动物类群差异显著（2.07至14.03倍）。此外，步行和骑行调查的观测概率高于驾驶，且三者提供互补信息（部分尸体仅被单一方法发现）。该研究的重要意义在于提供了首个整合所有三个不完美检测层次的方法，揭示了基础设施驱动的死亡率被严重低估，为保护决策提供了更可靠的依据。论文发表在《Methods in Ecology and Evolution》。
**主要关键技术方法**
研究人员采用的分层贝叶斯潜状态模型，基于N-mixture模型扩展，通过马尔可夫链蒙特卡洛（MCMC）在JAGS中实现参数估计。模型顺序处理三个层次：将尸体位置概率（p
L）和尸体持久性概率（p
P）作为先验驱动的潜参数，基于文献（Román et al., 2024; Santos et al., 2011）为不同脊椎动物类群设置贝塔分布先验；尸体观测概率（p
O）通过重复测量的鲁棒设计数据独立估计，允许不同调查方法（步行、骑行、驾驶）具有不同概率。模拟研究生成不同变异性的数据集（10或100个道路样段，每日道路致死数和持久性概率的变异度，先验标准误），并进行了先验敏感性分析。案例研究数据来自西班牙西南部地中海生态系统，调查了9个3公里样段，使用三种方法同时进行两次重复，共4个月。
**研究结果**
**3.1 可变数据模拟情景**：通过模拟不同变异性和先验信息组合，发现模型在低每日变异性和准确先验时能准确恢复模拟总道路致死数（λ
tot），相对均方根误差（rRMSE）较低。高变异性（尤其是每日尸体持久性概率变异大）和弱先验时rRMSE升高，导致低估或高估。两栖类和爬行类G1在仅考虑活跃月份时准确性提高。样段数量（10或100）影响较小，但爬行类G1在全年数据中表现较差。
**3.2 先验敏感性分析**：当先验准确时，模型能正确恢复λ
tot、p
L、p
P和p
O。不准确先验导致p
L和p
P无法恢复，但λ
tot仍稳健。非信息先验（均匀分布）则产生极宽后验分布，导致λ
tot严重高估并引发模型运行错误。
**3.3 案例研究**：在650具尸体（45种）中，按脊椎动物类群建模后，估计每公里道路致死数显著高于观察值：蜥蜴15.22（2.07倍）、蛇8.84（14.03倍）、雀形目48.92（6.08倍）、小型哺乳动物7.64（4.81倍）、兔形目7.00（2.62倍）、食肉动物5.49（6.16倍）。步行调查的观测概率（p
O）最高，骑行次之，驾驶最低。部分尸体仅被步行（294）或骑行（134）观察到，驾驶仅观察到1具独有尸体。
**讨论总结与结论翻译**
讨论部分强调，该框架首次整合了基础设施致死调查中的三个不完美检测层次，使实际死亡率得到更准确估计，对保护受威胁物种具有重要意义。模拟显示，模型在低变异性和准确先验时表现稳健，但高变异性和弱先验会增加不确定性。因此，提供了一份可靠性检查清单（表3），指导研究者根据先验信息准确性、数据变异性和季节活性来选择模型输出的可靠程度。案例研究证实步行和骑行调查互补，且驾驶方法因观测概率极低可能导致过度外推，应谨慎使用。局限性包括需要大量先验知识、对短持久性类群需更频繁调查，以及当前模型假设较简单。未来可扩展随机效应和协变量，并与种群丰度模型结合评估基础设施对种群的影响。
研究结论翻译：研究人员的建模框架为估计广泛类群的死亡率提供了一种高效方法。优化应用需要广泛的实地工作来估计和整合不完美检测。研究人员提供一份清单，以帮助管理者评估何时能最稳健地评估基础设施相关死亡率，从而优先考虑保护工作。
