集成被动声学监测与点计数数据流的密度表面建模

《Methods in Ecology and Evolution》:Modelling density surfaces from integrated passive acoustic and point count data streams

【字体: 大 中 小 】 时间:2026年07月09日 来源:Methods in Ecology and Evolution 5.7

编辑推荐:

  点计数(point count)采用距离采样(distance sampling)方法可用于准确估计动物检测概率(detection probability)和绝对丰度(absolute abundance),但在大空间和时间尺度上难以实施。通过自动记录单元(

  
点计数(point count)采用距离采样(distance sampling)方法可用于准确估计动物检测概率(detection probability)和绝对丰度(absolute abundance),但在大空间和时间尺度上难以实施。通过自动记录单元(autonomous recording units, ARUs)进行的被动声学监测(passive acoustic monitoring, PAM)是监测发声动物种群的有效方法,但仅能产生相对而非绝对丰度估计。此处,研究人员展示了一种新模型,该模型通过乘法缩放常数(multiplicative scaling constant)将点计数和PAM数据流整合到单个物种空间分布模型(集成密度表面模型,integrated Density Surface Model;DSM)中,以考虑数据特定的可检测性。研究人员还展示了如何使用标准广义加性模型(generalized additive model, GAM)软件来估计该模型。为评估该方法的有效性,研究人员利用来自夏威夷两种鸟类的重叠观测者和PAM调查数据估计了集成DSM,并将估计的密度表面与每个数据流具有独立密度估计的模型进行了比较。参数表面在密度和方差估计上差异极小,表明参数估计对距离采样和PAM数据流都是可靠的。预测表面的缩放估计精度(scaled estimator precision)在采样点附近保持一致。研究人员的集成模型比数据流特定模型更精确,准确捕捉了密度空间相关性(spatial correlation),并且通过集成模型的校准,PAM衍生的数据可用于监测绝对丰度。
论文解读:

研究背景:当前,种群监测是保护濒危物种的关键工具,但传统方法存在局限。点计数距离采样(point-transect distance sampling, PTDS)能准确估计动物检测概率和绝对丰度,但难以在广域时空尺度上实施,且低频监测常无法捕捉快速种群变化。被动声学监测(PAM)通过自动记录单元(ARUs)提供非侵入性、成本效益高的方法,可覆盖难以到达的生境,但仅能获得相对丰度指标,如呼叫密度(call density),无法直接推算绝对密度。先前研究显示呼叫密度与鸟类密度强相关,但缺乏校准。因此,研究人员提出将PTDS和PAM数据流整合到统一模型,以利用PAM的时空覆盖和PTDS的密度校准优势,实现更精确的绝对丰度估计。

研究方法:研究人员在夏威夷Haleakalā国家公园的Kīpahulu Valley、Manawainui Planeze和Northeast Rift区域,针对两种蜜旋木雀(Hawai'i 'Amakihi Chlorodrepanis virens和Maui 'Alauahio Paroreomyza montana)开展研究。关键方法包括:1)使用距离采样(Distance采样)估计检测函数,通过R包Distance拟合半正态和风险率函数,计算有效采样面积;2)利用Google Perch鸟类发声分类器v8提取嵌入特征,训练定制分类器,并通过专家审查200个随机样本,依据全概率律估计每月呼叫密度;3)构建分层广义加性模型(HGAM),采用薄板回归样条(TPRS)平滑器,通过R包mgcv中的gfam构造函数,将PTDS计数和PAM呼叫密度整合为单一集成密度表面模型(DSM),通过乘法缩放参数校准数据流间差异,使用Tweedie分布处理过度离散,并以限制性最大似然(REML)估计。

研究结果:
- 密度表面比较:集成模型与单独点计数模型及单独PAM模型的密度表面差异极小。对于Hawai'i 'Amakihi,点计数模型在Northeast Rift和中央西部边缘显示正密度,PAM模型模式类似但脊线较弱,集成模型融合两者特征。对于Maui 'Alauahio,点计数模型在Northeast Rift和Kīpahulu Valley为正密度,Manawainui Planeze为负,而PAM模型在Manawainui Planeze上部为正,集成模型更接近PAM模式。
- 精度分析:集成模型的标准误(SE)均值低于单独模型。Hawai'i 'Amakihi的集成模型缩放SE均值为0.435,点计数模型为0.766,PAM模型为0.482;Maui 'Alauahio的集成模型均值为0.340,点计数模型为0.414,PAM模型为0.599。z检验显示集成模型与单独模型间差异不显著(p>0.05),表明乘法缩放假设合理。
- 缩放参数:Hawai'i 'Amakihi的缩放参数估计为0.055(95% CI: 0.047–0.065),Maui 'Alauahio为0.028(95% CI: 0.021–0.037),反映呼叫密度与鸟类密度间的比例关系。

讨论与结论:研究人员指出,集成模型通过结合两种数据流的互补优势(PAM的时空覆盖与PTDS的密度校准),提高了精度,且适用于广泛分布和范围受限的物种。模型残差无显著空间格局,支持假设合理性。但需注意,呼叫密度与鸟类密度的比例关系可能随时间变化,需谨慎用于无重叠点计数的时段。未来扩展包括:加入环境协变量、物种集合建模、时空动态建模,以及优化采样设计以确定所需校准数据量。研究结论翻译:鉴于PAM和距离采样之间的缩放估计相似,合并这些数据流是合理的。将呼叫密度与基于设计的稳健鸟类密度整合的分层GAM可用于估计精确的空间相关密度表面。集成模型中的灵活缩放参数校正了呼叫密度(相对丰度指标,更易收集)的偏差。研究人员表明,集成模型通常比单独的呼叫密度或鸟类密度模型更精确。研究结果证明,集成模型准确捕捉了广泛分布和范围受限物种的空间相关性,并且通过集成模型,PAM衍生数据可用于监测绝对丰度。该模型可扩展至包含环境因素,从而提高估计精度并更好地捕捉异质环境中的相关性,并适用于其他通过严格设计基和指数基采样器监测的发声动物。
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