用于未标记或部分标记种群密度推断的空间显式模型

近期发展的空间重捕获（SCR）模型代表了传统重捕获（CR）模型的重大进步，因为它们能提供动物密度的明确估计，而非未知区域内的种群数量。此外，与非空间 CR 方法不同，SCR 模型考虑了由动物活动中心与采样位置的空间并置所导致的捕获概率异质性。尽管 SCR 方法的效用正逐渐获得认可，但要求所有个体都能被唯一识别这一限制排除了其在许多场景中的应用。在本文中，我们针对无法进行个体识别的情况开发了模型，从而使 SCR 概念能够应用于未标记或部分标记种群的研究。我们模型所需的数据是在紧密排列的采样单元集合上，于一次或多次采样 occasion 进行的空间参考计数，使得个体能在多个位置被遭遇。我们的方法包含一个用于动物活动中心的空间点过程，并利用计数中的空间相关性作为关于活动中心数量和位置的信息。相机陷阱、毛发陷阱、足迹板、声音录音，甚至定点计数都能产生空间相关的计数数据，因此我们的模型具有广泛的适用性。一项模拟研究表明，虽然在小样本情况下后验均值表现出约 5-10% 的频率学派偏差，但只要存在足够的空间相关性，后验众数就是一个准确的点估计量。对种群子集进行标记可显著提高后验精度，建议在可能的情况下进行。我们将该模型应用于未标记的北方森莺（Parula americana）种群的鸟类定点计数数据，获得了 0.38（95% 置信区间：0.19-1.64）只/公顷的密度估计值（后验众数）。本文挑战了生态学中的采样和分析惯例，证明了估计种群密度既不需要空间独立性也不需要个体识别——相反，空间依赖性可以为个体分布和密度提供信息。