《Ecology and Evolution》：Inferring the Abundance of an Island Megaherbivore From Semi-Structured Distance Sampling
编辑推荐：
保护管理项目的核心组成部分是对目标物种丰度在空间和时间上的估计与监测。野生动物监测具有复杂性，依赖于检测，而检测本身又取决于环境条件、所监测物种的表型和行为。阿尔达布拉巨龟（Aldabrachelys gigantea）作为生态系统工程师、关键种和生态替代种具
保护管理项目的核心组成部分是对目标物种丰度在空间和时间上的估计与监测。野生动物监测具有复杂性，依赖于检测，而检测本身又取决于环境条件、所监测物种的表型和行为。阿尔达布拉巨龟（Aldabrachelys gigantea）作为生态系统工程师、关键种和生态替代种具有重大意义。准确监测对于理解其原生种群和易地种群的大小与动态，以及该物种对更广泛生态系统的影响至关重要。尽管在塞舌尔阿尔达布拉环礁的原生分布区已有长期的有组织研究和种群调查历史，但迄今为止尚未尝试进行严格的、全环礁范围的巨龟种群规模估计。穿过多种生境、在环礁多个区域开展的不规则样线调查具有复杂性，需要使用状态空间统计模型来捕捉丰度和检测中的异质性。研究人员在此开发了一个贝叶斯分层距离抽样（HDS）模型，以推断阿尔达布拉环礁上阿尔达布拉巨龟种群的生境依赖和季节依赖的可检测性及丰度。在2018年至2021年间，该种群明显相对稳定，数量约为180,000只，这是迄今为止对该种群做出的最高估计。研究人员将这种稳定性和高丰度归因于阿尔达布拉长期保护工作的历史，包括应维持和扩展的入侵外来物种根除。研究人员提供了一个可复现的贝叶斯距离抽样工作流程，使用数据增强和生境依赖的可检测性，并建议将其用于遗留数据集和未来类似物种的丰度调查。这些方法即使在数据不规则或收集不一致的情况下也能对丰度和可检测性进行稳健推断，为将遗留数据集与现代保护工作流程相结合提供了一个框架。
**论文解读：基于贝叶斯分层距离抽样推断岛屿巨型食草动物的丰度**
保护管理项目需要估计和监测目标物种的丰度，以评估保护干预措施的有效性。然而，野生动物监测在很大程度上依赖于对个体的检测，而检测概率受环境条件、物种表型和行为等因素影响。阿尔达布拉巨龟（*Aldabrachelys gigantea*）是阿尔达布拉环礁的巨型食草动物，具有生态系统工程师和关键种的重要生态功能，并被用作生态替代种。尽管该物种在其原生地——塞舌尔阿尔达布拉环礁——已有长期研究和种群调查历史，但此前从未进行过基于现代统计方法的全环礁种群规模估计。以往的调查方法未能明确考虑检测概率，加之环礁内不同生境和年份的抽样强度不均，导致估计结果可能存在偏差。因此，需要采用能够同时刻画丰度和检测异质性的状态空间模型。
为应对上述挑战，研究人员开发了一种贝叶斯分层距离抽样（Bayesian Hierarchical Distance Sampling, HDS）模型，用于推断阿尔达布拉环礁巨龟种群的生境依赖和季节依赖的可检测性及丰度。该模型将观测过程与丰度过程整合到一个分层框架中，并采用数据增强（data augmentation）技术处理未被检测的个体。研究人员利用2018年至2021年湿地季节的样线调查数据，估计种群数量约为183,000只（SD≈12,000），远高于以往所有估计，且在此期间种群相对稳定。这一结果表明，历史估计可能因未能校正检测偏差而低估了实际种群规模。研究还提供了可复现的分析流程，建议将其应用于遗留数据集及其他类似物种的丰度监测。
在技术方法上，本研究的样本来自2018–2022年湿地季节（11月至次年4月）在阿尔达布拉环礁四个主岛（Polymnie岛除外）布设的18条样线。每条样线划分为50 m分析段，并记录每段生境类型，共覆盖约2.15 km2（约占总面积的1.38%）。分析方法上，研究人员采用半正态检测函数描述检测概率随距离的衰减，通过数据增强表示未观测个体，并利用分层先验部分合并不同样段的信息。模型基于NIMBLE包在R中实现，采用马尔可夫链蒙特卡罗（Markov chain Monte Carlo, MCMC）进行参数估计，运行三条链各250,000次迭代，以Gelman-Rubin诊断评估收敛性。此外，还使用Distance包和unmarked包进行了敏感性分析，这些替代方法在不规则数据下表现不稳定。
研究结果方面，模型拟合良好，所有观测计数均落在模型预测值的95%可信区间内。基于HDS模型的后验估计显示，2018–2021年阿尔达布拉巨龟种群的年平均估计为183,274只（SD=12,172）。2022年采样强度大幅降低（仅227个样段，约为往年一半），且样线偏向高密度区域，因此该年估计被排除在均值计算之外。生境密度估计表明，草地（GRA）生境中的巨龟密度最高，其次为暴露表面（EXP）和开放混合灌丛（OMX）；沙地（SND）虽然密度较高，但仅含4个样段，不确定性较大。检测系数（β）的估计显示，开放生境中巨龟在更远距离上仍可被检测到，而茂密灌丛生境中检测函数衰减较快，导致可检测距离较短。这些结果基于检测校正后的后验分布，反映了不同生境中实际密度的差异，而非检测偏差的伪影。
讨论部分围绕以下三个主题展开。**4.1 巨龟种群估计与生境偏好**：研究估计2018–2021年种群为182,424只（SD=13,257），高于所有历史估计（如1973年约33,000只，1999年约100,000只），主要原因在于以往研究未明确建模检测概率，也未考虑季节性可检测性。检测校正后的生境密度支持先前关于巨龟偏好“龟草皮”草地及开放、半开放生境的观察，但干季样本未显示季节性生境偏好，与近期GPS追踪研究一致。**4.2 季节变化与采样建议**：湿地季节巨龟可检测性最高，因为干季个体更可能躲藏在浓密植被或热避难所中，产生“临时迁出”现象，导致计数偏低。研究建议优先在湿地季节进行监测，并设定最低采样面积阈值（如环礁总面积的1%）。干季调查可每2–4年进行一次，以研究季节性动态。**4.3 方法评估与更广泛意义**：贝叶斯分层模型通过部分合并稀疏数据，在不规则抽样下仍能稳定估计，优于传统距离抽样方法。研究建议每一生境类型至少设置15–20个样段以减少不确定性。该保护种群的成功归因于长期保护措施和入侵物种根除，为巨龟易地重引入项目提供了支持。结论部分翻译如下：研究人员认为，贝叶斯分层距离抽样框架能够处理不规则数据，为未来监测和类似物种提供可靠工具；同时，阿尔达布拉巨龟种群的恢复和当前稳定性表明，基于该物种的重引入项目仍是一种可行的保护策略。
