《Ecological Modelling》:Improved estimates of relative occurrence and abundance using opportunistic surveys and presence-only observations: A zero-inflated integrated species distribution model
编辑推荐:
物种分布模型(Species Distribution Model, SDM)作为估计和预测物种分布变化的工具,对保护规划和响应工作正变得日益重要。野生鸟类种群在各类栖息地和区域中持续下降,使得这类建模工具尤为关键。尽管SDM提供了多种处理不同偏差来源的选项,
物种分布模型(Species Distribution Model, SDM)作为估计和预测物种分布变化的工具,对保护规划和响应工作正变得日益重要。野生鸟类种群在各类栖息地和区域中持续下降,使得这类建模工具尤为关键。尽管SDM提供了多种处理不同偏差来源的选项,但复杂的空间过程(如稀有或集群分布物种)与有偏的调查数据往往同时存在,而此前尚无研究将零膨胀SDM与集成SDM框架相结合。本研究提出了一种新的零膨胀集成物种分布模型(Zero-Inflated Integrated Species Distribution Model, ZI-iSDM),该模型扩展了Isaac等人于2020年提出的泊松回归iSDM框架,通过整合机会主义调查(Opportunistic Survey, OS)数据和仅出现(Presence-Only, PO)数据,实现对独立出现和多度过程的估计。研究通过模拟数据集验证了ZI-iSDM在不同物种稀有程度、景观密度以及OS数据采样偏差条件下的性能,并将该模型应用于切萨皮克湾地区多种野生鸟类的真实调查数据,结合公开可获取的环境信息描述栖息地关联性。研究发现,整合环志或捕获等PO数据可以弥补机会主义调查中存在的潜在不足,使采样更具代表性;同时,采用零膨胀项先行区分出现和多度的模型更适用于近似空间集群物种的分布。
本研究发表于《Ecological Modelling》,旨在解决物种分布建模中零膨胀特征与数据集成需求并存的问题。研究背景方面,随着土地利用变化的持续,估计和预测物种分布的建模工具对前瞻性保护规划愈发重要。野生鸟类种群在过去半个世纪中因栖息地丧失和野生动物疾病传播等因素而持续下降,SDM虽已被广泛应用于这一日益增长的保护挑战,但现有方法仍存在局限。许多SDM隐含假设动物分布可用单一空间过程(如出现或多度)描述,这忽略了满足最低栖息地需求与更高栖息地质量带来益处之间的区别。许多物种在区域或国家尺度上稀疏分布,但一旦相遇其密度可能剧烈变化;同时,机会主义调查数据虽广泛可得,但因观察者自行选择调查地点而存在采样偏差,可能导致偏远或难以到达区域的关键栖息地被低估。而目标性PO数据虽能更精细地定位个体并确保对已占用栖息地的采样,但通常样本量和空间范围有限。因此,单一数据集构建的SDM均易受采样偏差影响。
本研究由Matthew Gonnerman、Jennifer M. Mullinax、Jeffery D. Sullivan、Cody M. Kent和Diann J. Prosser开展。研究人员提出了一种ZI-iSDM框架的新零膨胀扩展,使整合OS与PO数据以估计独立出现和多度过程成为可能,并得出以下主要结论:其一,整合PO数据可补偿机会主义调查的潜在不足,扩展采样以更具代表性地反映可用及已用栖息地;其二,采用零膨胀项区分出现和多度的模型更适合近似空间集群物种的分布;其三,在模拟验证中,ZI-iSDM在描述出现方面优于替代模型,尤其在出现率设定为0.15或0.25时表现更佳;其四,应用于切萨皮克湾真实数据时,ZI-iSDM对水禽物种的估计弱化了仅OS模型中的多度热点,可能因PO数据提供了替代观察视角而缓和了采样偏差。该研究的重要意义在于首次将零膨胀与集成物种分布模型框架相结合,为稀有和集群分布物种的相对出现率与多度估计提供了更 robust 的方法学工具,并展示了利用现有公开数据集(如eBird和北美鸟类环志实验室数据)进行大规模、低成本物种分布建模的可行性。
关键技术方法方面,研究主要运用了以下核心技术:模拟数据生成与验证,基于R-INLA和INLAbru包构建ZI-iSDM模型;采用随机偏微分方程(Stochastic Partial Differential Equation, SPDE)处理空间自相关;利用瓦坦贝–赤池信息准则(Watanabe–Akaike Information Criterion, WAIC)进行逐步模型选择;基于eBird数据(OS)和北美鸟类环志实验室(North American Bird Banding Lab, BBL)数据(PO)构建真实数据模型,样本来源于切萨皮克湾地区(马里兰州、特拉华州和弗吉尼亚州沿海县份)2016至2021年12月至次年2月期间的观测记录,涵盖绿头鸭(Anas platyrhynchos)、美洲黑鸭(Anas rubripes)、绿翅鸭(Anas carolinensis)、褐鹈鹕(Pelecanus occidentalis)、红翅黑鹂(Agelaius phoeniceus)、盐沼麻雀(Ammospiza caudacuta)和环嘴鸥(Larus delawarensis)等物种;模型比较包括与仅OS数据的ZI-SDM以及eBird Status and Trends模型的对比。
研究结果表明,模拟数据集分析显示,在所有模型中,ZI-SDM的出现估计均方根误差(Root Mean Squared Error, RMSE)平均为0.175,ZI-iSDM为0.210;而多度估计的RMSE在泊松SDM和ZI-SDM框架中极高(平均大于1028),ZI-iSDM则大幅降低至52.4。出现估计的平均Spearman相关性SDM为0.243,ZI-SDM为0.372,ZI-iSDM为0.488;多度估计的相关性SDM为0.362,ZI-SDM为0.533,ZI-iSDM为0.488。当按物种密度分组时,ZI-iSDM在出现率设定为0.15或0.25时表现优于替代模型,尽管在这些情况下多度相关性弱于ZI-SDM;在所有假设物种密度下,SDM均劣于ZI模型。按OS采样偏差程度比较时,未观察到模型性能差异;比较PO数据类型(环志与捕获)时,模型在几乎所有场景中表现相似。真实数据分析显示,eBird数据经筛选后剩余23,715份清单,BBL数据各物种观测量差异显著。模型选择识别出多种适合描述各物种分布的零模型结构和协变量。假设所有协变量取均值,美洲黑鸭研究区内估计出现率平均为0.090(95%置信区间0.078–0.104),多度平均为11.130(10.540–11.753);绿翅鸭出现率平均0.025(0.020–0.030),多度12.500(11.002–14.193);褐鹈鹕出现率平均小于10
-5(0–6×10
-5),多度3.631(3.052–4.316);绿头鸭出现率平均0.246(0.225–0.269),多度12.496(11.002–14.193);环嘴鸥出现率平均0.110(0.074–0.160),多度12.773(10.873–15.064);红翅黑鹂出现率平均0.221(0.203–0.242),多度18.799(10.873–22.121);盐沼麻雀出现率平均2×10
-4(1×10
-4–4.2×10
-4),多度2.717(1.468–5.345)。ZI-iSDM与ZI-SDM标准化估计差异在空间上因物种和数据可用性而异,美洲黑鸭平均差异0.011,绿头鸭0.085,红翅黑鹂0.228。与eBird Status and Trends比较,标准化估计差异美洲黑鸭平均0.097,绿翅鸭0.040,褐鹈鹕-0.009,绿头鸭0.079,红翅黑鹂0.227,环嘴鸥-0.034,盐沼麻雀0.008。
讨论部分,研究人员指出纳入零膨胀项以区分出现和多度的模型在几乎所有场景中均优于泊松SDM对应模型,ZI模型估计与真实值的相关性更强,表明其作为相对多度度量的效用。未能处理计数数据中的零膨胀是稀有、专性和社会性物种的常见问题,可能导致大空间范围内高度局域化的种群难以用典型仅多度框架建模。对于空间集群物种,首先通过零膨胀项区分出现和多度的模型更适合近似物种分布整体。
在整合PO数据的情境差异方面,ZI-iSDM在许多情况下能更好地预测出现变异,但当出现率设定为0.05或多度设定为1.0时性能下降。ZI-SDM和ZI-iSDM在预测多度变异方面表现相似,但ZI-SDM略优于其集成对应模型,尤其在真实多度增加时ZI-iSDM的多度估计质量下降,这可能与PO数据集的最大样本量限制有关(模拟环志和捕获的实际后勤限制)。PO数据类型方面未观察到强相关性,但捕获PO数据在预测多度方面略优,环志PO数据在预测出现方面略优,因捕获数据空间分布更广而更好捕捉已用空间,环志事件则在给定相遇点可观察更多个体而更好描述动物聚集。
通过整合随机分布的OS和靶向PO数据集(各具不同检测过程),研究缓解了与任一采样方法相关的有偏推断。这是因为物种分布越局域化,越需要增加采样努力以确保足够数量的阳性观察。然而许多鸟类监测数据集是为多物种提供广域信息的泛化计数调查,OS的间距可能遗漏关键栖息或使景观大部分未采样,如城市化梯度导致的边远区域采样不足。OS可能低度采样稀有、隐蔽或特定难达栖息物种。PO数据如环志、捕获或遥测追踪可通过扩展采样更具代表性地反映可用和已用栖息地来弥补此类不足。但这些集成模型仅隐式处理采样偏差,未显式处理调查间采样差异,假设合并采样足以准确描述关注区域。在采样不足情况下,量化采样偏差以校正模型输出可能更为相关。
水禽捕获提供了随时可得的PO数据选项,可补充采样设计不足的调查以改进物种分布估计。ZI-iSDM对水禽物种的最终估计弱化了多度热点,这可能因环境协变量预测力较弱而使SPDE组分解释了大部分空间变异,或因采样偏差与高密度区域重叠导致局部估计膨胀。例如,ZI-SDM和eBird Status and Trends识别的水禽热点主要与Poplar岛重叠,该恢复栖息地被经常访问,可能因理想栖息与增加报告而导致高密度区域的高估。PO捕获信息可提供替代观察以产生更好反映两调查共享空间趋势的表面。红翅黑鹂的ZI-iSDM同样较少受极高计数区域主导。褐鹈鹕的ZI-iSDM虽有稀疏数据,产生的分布与ZI-SDM和eBird Status and Trends重叠相同大致区域,仅在精细尺度存在更细微推断差异。环嘴鸥的ZI-iSDM高多度区域与仅OS模型识别的区域重叠或接近,但差异幅度较小。
尽管目标时期数据有限,非猎物种通常在春秋季迁徙期有丰富代表性,可用于描述迁徙路径和停歇地点。若环志或机会主义数据 unavailable,多种替代调查类型可整合入ZI-iSDM框架,如VHF或GPS遥测追踪数据、声学和相机调查,以及新兴的公民科学鸟类喂食器相机数据。
研究结论翻译:零膨胀集成物种分布模型框架结合Xm结合OS数据与补充PO选项,提供了一种易于定制的物种分布建模框架,同时考虑了固有采样偏差。例如,eBird和BBL数据集的组合可能是全国尺度野生水禽种群建模的稳健且低成本选项,无需额外资源自行收集数据。许多全国性野生鸟类观测数据集已存在,可用于估计物种分布,包括持续收集观测的多种OS数据集(如eBird),以及年度结构化调查(如繁殖鸟类调查和圣诞节鸟类计数)。尽管具有国家或全球范围,这些调查各自存在限制其推断力的采样偏差,但可通过与互补数据集整合来解决。鉴于全球范围内正式研究和公民科学数据的广泛收集,研究人员可考虑目前有哪些信息可用于描述物种分布,以及如何更好地整合这些不同数据集以改进推断。