基于声学空间捕获-重捕的自动化动物密度估计

被动声学监测可成为监测声学活跃但难以目视调查野生动物种群的有效方式。数字记录仪使调查者能以低成本收集大量数据，但在这些数据中识别目标物种发声并非易事。机器学习（ML）方法常用于此类识别。它们能快速处理大量数据，但无法检测所有发声且会产生一些假阳性（非目标物种的发声）。现有野生动物丰度调查方法专门设计以应对第一类错误，但当前处理假阳性的方法尚不完善。它们未考虑个体发声的特征，其中某些比其他的更可能为假阳性。我们提出三种声学空间捕获-重捕推断方法，将来自 ML 发声识别的个体级置信度度量整合入似然中，从而将 ML 不确定性整合入推断。这些方法包含一个以物种身份为潜变量的混合模型。我们通过模拟测试这些方法，并发现基于海南长臂猿声学数据的场景中，忽略假阳性导致 17% 的正偏差，而我们的方法给出可忽略的偏差与接近名义 95% 水平的覆盖概率。