将记忆引入连续时间空间捕获-重捕模型

获取野生动物物种丰度和分布的可靠且精确的估计，对于动物种群和自然保护区的保护与管理至关重要。空间捕获-重捕（SCR）模型利用从相机陷阱等远程传感器收集的数据，提供种群规模和空间密度的估计。此类数据包含同一个体观测之间的空间相关性，SCR 模型通过潜在个体特定活动中心（即个体更可能被检测到的附近位置）部分考虑了这种相关性。然而，SCR 模型假设，在给定活动中心的条件下，个体的观测在时间和空间上是独立的，因此在给定时间和地点的观测目击不会影响在未来时间和/或地点被看到的概率。鉴于动物在空间和时间上的平滑移动，这一假设在生态学上是不切实际的。我们提出了一种新的连续时间建模框架，该框架结合了个体的（潜在）活动中心及其（已知的）先前位置和检测时间。通过将个体的检测表述为非齐次时间泊松过程，我们开发了一个受 Ornstein-Uhlenbeck 过程启发的模型，该过程常用于模拟动物运动。将我们的模型应用于美国貂的相机陷阱调查，我们观察到模型拟合度的显著改善以及活动中心估计空间分布的显著差异。模拟研究表明，当忽略时空依赖性时，标准 SCR 模型可能产生严重有偏的种群估计，而基于记忆的模型保持稳健。这些发现强调了在 SCR 模型中考虑先前检测记忆对于改善生态解释和推断的重要性。