《Avian Research》：Detection bias in monitoring birds by camera trapping in Chinese forests: An integrated analysis of functional traits and phylogeny
编辑推荐：
红外相机陷阱技术已广泛用于监测鸟类多样性。然而，目前对于该技术对中国区域鸟类分布与多度的贡献程度、此类监测中固有采样偏差的性质，以及导致这些偏差的功能性状知之甚少。研究人员利用来自中国91个自然保护区的监测数据，整合鸟类分类学、功能性状（functional
红外相机陷阱技术已广泛用于监测鸟类多样性。然而，目前对于该技术对中国区域鸟类分布与多度的贡献程度、此类监测中固有采样偏差的性质，以及导致这些偏差的功能性状知之甚少。研究人员利用来自中国91个自然保护区的监测数据，整合鸟类分类学、功能性状（functional traits）与系统发育（phylogeny）信息，采用贝叶斯（Bayesian）模型与随机森林（random forest）模型研究检测偏差并识别红外相机拍摄鸟类被检出的关键性状。结果表明：（1）红外相机记录了约42%的中国森林鸟类物种，不同目与科间检出频率存在差异；其中雉科（Phasianidae）、鹟科（Muscicapidae）、鸦科（Corvidae）与噪鹛科（Leiothrichidae）比其他所有科更常被检测到；（2）红外相机检测到的鸟类群落呈现明确的功能性状分化，但总体上仍主要由随机过程组装；（3）贝叶斯与随机森林模型识别出跗跖骨长度（tarsometatarsal length）与取食行为是相机检测概率的关键预测因子，且二者存在显著交互作用。具体为，跗跖骨长度（β = 0.04，95% CI [0.02, 0.06]）和草食行为（herbivory behaviour）（β = 0.03，95% CI [0.01, 0.04]）呈正向效应，而脊椎动物取食行为（vertebrate behaviour）（β = ?0.04，95% CI [?0.07, ?0.02]）呈负向效应，其他性状作用较小。上述发现凸显了红外相机鸟类监测中固有的检测偏差，为针对性偏差校正及在鸟类多样性评估中优化应用红外相机技术提供了理论基础与方法指导。
研究背景方面，过去二十年红外相机陷阱（camera trapping）已成为森林鸟类群落监测的重要工具，可削减观测者偏差、提升采样一致性，并补充样线法与传统点计数法，尤其利于地面活动、隐秘或夜行物种。但与哺乳动物调查不同，鸟类相机监测的物种累积曲线（species accumulation curves，SAC）常难达饱和，原因在于鸟类生态更复杂，包括栖息地类型、居留型与取食功能群多样。已有研究多关注物种名录、地理分布、活动节律与共存，少有从分类、功能与系统发育层面解释“哪些物种更易被相机记录”这一检测偏差（detection bias）问题；单区域研究还易受地方特有种、地质与气候影响，假设外推性不足。因此，研究人员基于全国尺度数据，整合分类学、功能性状与系统发育，检验被检鸟类群落是否在分类、功能与系统发育上聚团，并识别决定相机可检性的关键形态与生态性状。
该研究发表于《Avian Research》。研究人员使用2008—2024年CNKI与Web of Science文献，经PRISMA 2020流程筛得89项研究、91个森林类自然保护区，物种界定采用《Forest Birds of China》与BirdLife International森林依赖定义，最终366种森林鸟类、11目51科186属，占中国森林鸟类约42%；性状来自Chinese Birds Data与Savi Traits 1.0，系统发育树来自BirdTree的Hackett All Species主干1000棵树。
主要关键技术方法如下：以相对丰度指数（Relative Abundance Index，RAI，每100相机日独立检测事件数）量化检测率；用Z分数标准化形态与生态变量，借FD包算功能丰富度（FRic）、功能均匀度（FEve）、功能相异度（FDis）、功能离散度（FDiv）与RaoQ，以零模型算标准化效应值（Standardized Effect Size，SES）判功能/系统发育聚团或离散；系统发育用ape包建最大 clade 可信树，picante包算Faith系统发育多样性（PD）、平均系统发育距离（MPD）、最近分类单元距离（MNTD）、净亲缘指数（NRI）与最近分类单元指数（NTI）；以随机森林与SHAP值排性状重要性，用方差膨胀因子（Variance Inflation Factor，VIF）控共线性，再以含物种与样点随机截距的贝叶斯（Bayesian）模型建M0—M3，用LOO交叉验证选优，MCMC链4000迭代、预热2000，R-hat小于1.01。
3.1 分类类群中相机捕获鸟类的总体比例与贡献：研究人员对11目51科做配对Fisher精确检验与检出频率分析，发现雀形目（Passeriformes）与鸡形目（Galliformes）检出率显著高于其余目，隼形目次之，夜鹰目与佛法僧目最低；科层面鹟科、鸦科、噪鹛科超90%被记，部分科仅一次记录；物种级区域差异大，青藏区占比最高、华南区最低。
3.2 功能空间中鸟类分类单元聚团：研究人员做主坐标分析（Principal Coordinate Analysis，PCoA），前两轴解释70.4%功能变异，PCoA1关FDis与RaoQ反映功能离散，PCoA2负关FEve反映功能均匀度；PERMANOVA与Tukey HSD显示各目质心无显著差异，功能空间趋同，但隼形目离总体功能质心最远、夜鹰目最居中保守。
3.3 随机过程主导鸟类群落组装：研究人员用零模型算SES，NRI与NTI为负示系统发育聚团，FRic负、FDis正，但四指数SES近0且不显著，说明虽见系统发育聚团与功能分化，但偏离随机预期有限，群落组装主要由随机过程主导。
3.4 影响鸟类检测效率的关键性状：研究人员以随机森林SHAP值排重要度，跗跖骨长度最重要，体重、体长次之，取食层与取食类型亦有贡献；贝叶斯M1最优，跗跖骨长度（β = 0.04，95% CI [0.02, 0.06]）与草食（β = 0.03，95% CI [0.01, 0.04]）正效应，脊椎动物取食（β = ?0.04，95% CI [?0.07, ?0.02]）负效应；M3中跗跖骨长度与草食显著交互（β = 0.032，95% CI [0.011, 0.049]），说明地面移动能力与取食生态耦合抬高可检性。
讨论部分总结：研究人员指出被检群落功能质心趋同、外围特化类群易偏检，雀形目与鸡形目因形态重叠和地面/灌丛活动而被稳定记录；传统“体型决定检测”被修正为跗跖骨长度与取食行为更关键，因前者关联地面行走能力、后者关联地面觅食时间。草食长跗跖鸟地面活动高频故检出最高，脊椎动物取食鸟多冠层活动故低估。研究也承认文献仅含森林/野生动物保护类保护区已发表数据，相机位姿与发表偏倚可能高估检测率，未来应融样线调查与声学监测（acoustic monitoring）。
结论部分翻译：在中国，红外相机陷阱已被证明可检测到约42%的森林鸟类物种。红外相机检测到的鸟类群落在功能与系统发育上由随机过程主导。总体看，检测率受形态性状甚于生态性状影响，跗跖骨长度与取食行为是最显著因素。值得注意的是，仅依赖红外相机陷阱会系统性低估乔木层与飞空物种。为获得鸟类多样性全面评估，未来研究应借助形态数据明确考量检测偏差，并整合样线调查与声学监测等互补方法。
