夜校回顾 | 根据红外相机监测数据估计动物密度的常见算法

李欣海质兰公益基金会

2024-09-11

本期夜校，李欣海老师基于R语言介绍现在常用的各类分析模型，帮助大家理解随机相遇模型、占域模型等各类工具，以在实际工作场景中运用自如。

本期内容建议回看视频，以下内容仅供索引参考。

假设动物像气体分子一样随机运动，并认为动物与相机地接触率(拍到地照片数)同动物地种群密度、运动速度、相机布设地时间、相机监测地面积呈正比。

占域模型的要点：时间的重复：在相对较短的时间内(如越冬季节)，重复访问趋于单元；空间的重复：在研究区域内随机选择“地点“，对协变量(例如海拔、人类的影响、植被)的不同值要有更好地覆盖。

对标记重捕法的一个重要扩展，考虑了动物在空间上的分布不均匀性和动物在不同地点被捕获概率的差异。传统的标记重捕法通常假设动物在整个研究区域内的分布是均匀的，而在实际情况下，动物的分布往往受到栖息地质量、资源分布、领地行为等因素的影响而呈现空间异质性。

在SECR模型中，动物个体被赋予了空间坐标或者是在连续空间中的分布概率，这允许研究人员基于每个个体的捕获位置来推断种群大小和空间结构特征。这种模型通常包括以下几个核心要素：

1.空间网格：研究区域被划分为一系列的空间单元（如网格、圆盘或其他形状），每一个空间单元都有可能包含动物个体。

2.动物分布：通过模型来描述动物在各个空间单元中的分布密度或概率。

3.捕获概率：考虑每个个体在其所在空间单元内被捕捉的概率，这个概率可以随着距离陷阱中心的距离、陷阱类型、季节变化以及其他相关因素而变化。

4.标记过程：首次捕捉并标记动物个体，记录其空间位置；在随后的重捕过程中，同样记录个体的位置。

主要用于估算野生动物种群数量。这种模型特别适用于那些难以直接观察到整个种群的场合，例如使用相机陷阱数据、点观测数据或多期重复调查数据。在这样的数据集里，我们不能确定在某一时段内区域内所有个体都被检测到，因此需要处理探测不确定性。

N-mixture模型的基本原理是：

1.重复抽样：模型假设在一个大的地理区域内，存在多个独立的次级采样单元（比如相机陷阱覆盖的小区域）。每个次级单元在多个时期内（如一年中的不同月份或连续几年）都会被抽样若干次。

2.探测率（Detection Probability）：模型考虑每个个体在特定时间和地点被观测到的概率并不总是100%，而是根据多种因素（如动物的行为、天气、陷阱放置位置等）有所变化。

3.种群大小（Abundance）：模型的目标是估计每个次级单元在各时期的种群大小（N），然后汇总这些次级单元的数据来估计总体种群规模。

4.混合（Mixture）：名称中的“mixture”来源于模型中对多个独立抽样的整合，每个抽样包含了关于种群大小和探测率的信息。

5.参数估计：通过构建似然函数，N-mixture模型可以同时估计种群大小、探测率以及可能影响它们的协变量效应。一般而言，这可以通过最大似然估计（MLE）或贝叶斯方法来实现。

通过野外调查(GPS项圈定位、雪后足迹跟踪)获得足迹链，再基于运动参数(步长、偏转性和领域面积等)模拟动物运动，完成虚拟相机记录过程。将实际红外相机监测数据与虚拟相机记录数据进行对比，通过随机森林预测得到的种群密度可用于反馈和验证标志重捕、样线调查以及痕迹调查中获得的数据。