[논문 리뷰] Reliable variance propagation for spatial density surface models

Mark V. Bravington, David L. Miller외 1명|arXiv (Cornell University)|2018. 07. 20.

Marine animal studies overview인용 수 6

한 줄 요약

이 논문은 일반화된 가산 모형(GAM) 내에서 탐지 확률의 불확실성을 무작위 효과로 간주하여, 거리 샘플링 단계에서 유도된 불확실성을 밀도 표면 모형(DSM)으로 신뢰성 있게 전파하는 방법을 제안한다. 이 접근법은 표준 GAM 소프트웨어를 사용하여 정확하고 계산적으로 효율적인 분산 추정을 가능하게 하며, 공간적으로 변화하는 군집 크기를 고려한 확장도 가능하다. 이는 미뉴크 고래와 만어귀 고래 조사 데이터에 적용되었다.

ABSTRACT

In many management and mitigation situations spatial estimates of biological population density are used for decision making. Appropriate estimation of uncertainty in such situations, especially when species are endangered, is crucial. Density Surface Models (DSMs) are a two-stage approach for estimating spatially-varying density from line transect data. First, detectability is estimated by distance sampling, and then a Generalized Additive Model (GAM) is used to estimate animal density as a function of location and/or other spatially-varying environmental covariates. One criticism of DSMs has been that uncertainty from the two stages is not usually propagated correctly into the final variance estimates. We show how to reformulate a DSM so that the uncertainty in detection probability from the distance sampling stage (regardless of its complexity) is captured as a random effect in the GAM stage. This effectively refits an approximation to the detection function model at the same time as fitting the spatial model. This allows straightforward computation of the overall variance via exactly the same software already needed to fit the GAM. A further extension allows for spatial variation in group size, which can be an important covariate for detectability. We illustrate these models using line transect survey data of minke whales and harbour porpoise from a visual line transect survey of European waters.

연구 동기 및 목표

• 밀도 표면 모형(DSM)에서 거리 샘플링 단계의 분산이 자주 忽시되거나 정확하게 추정되지 않는 장기적인 문제를 해결한다.
• 공간적으로 변화하는 동물 밀도에 대한 더 정확한 불확실성 추정을 제공하여 보존 및 관리 의사결정을 향상시킨다.
• 탐지 확률 불확실성을 무작위 효과를 통해 공간 모델링 단계에 직접 통합함으로써 계산적으로 효율적인 프레임워크를 개발한다.
• 선형 전진 조사에서 탐지 가능성을 영향을 미치는 핵심 요소인 공간적으로 변화하는 군집 크기를 고려하기 위해 방법을 확장한다.
• 유럽 수역에서의 실제 선형 전진 조사 데이터를 사용하여 방법의 실현 가능성과 성능을 입증한다.

제안 방법

• 거리 샘플링 단계에서 유도된 불확실성을 GAM 프레임워크 내의 무작위 효과로 통합함으로써 DSM을 재구성한다.
• GAM 피팅 중에 탐지 함수 모형을 근사하여 별도의 모형 피팅 없이도 탐지 확률 분산을 포착한다.
• 스무딩 스퍼린을 사용한 페널라이즈드 우도 추정을 통해 위치 및 환경 공변량에 대한 함수로 공간 밀도를 모형화한다.
• 탐지 모형에 공간적으로 변화하는 군집 크기를 공변량으로 통합하여 지역별로 탐지 가능성이 달라지도록 한다.
• 기존의 GAM 소프트웨어(mgcv in R 등)를 활용하여 최종 밀도 표면 추정치의 전체 분산-공분산 구조를 계산한다.
• 모형의 계층적 구조를 통해 탐지 단계와 공간 모델링 단계의 양측에서 유도된 분산이 적절히 통합되도록 보장한다.

실험 결과

연구 질문

• RQ1 거리 샘플링 단계에서 유도된 불확실성은 어떻게 밀도 표면 모형의 최종 분산 추정치로 안정적으로 전파될 수 있는가?
• RQ2 탐지 확률의 불확실성은 GAM 프레임워크 내에서 무작위 효과로 효과적으로 모형화될 수 있는가? 이를 통해 분산 추정이 향상되는가?
• RQ3 공간적으로 변화하는 군집 크기를 고려함으로써 선형 전진 조사에서 탐지 가능성 및 밀도 추정의 정확도가 향상되는가?
• RQ4 특수하거나 복잡한 계산 파ipeline이 필요 없이 표준 GAM 소프트웨어를 사용하여 이 방법을 효율적으로 구현할 수 있는가?
• RQ5 이 새로운 방법은 복잡한 해양 포유류 조사 데이터를 포함한 실제 적용 사례에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 탐지 확률 불확실성을 무작위 효과로 간주함으로써 공간 모델링 단계에 성공적으로 통합하여 정확한 분산 전파를 가능하게 하였다.
• 이 방법은 표준 GAM 소프트웨어를 사용하여 전체 분산 추정을 수행할 수 있어 전용 또는 복잡한 계산 도구가 필요 없음을 보여주었다.
• 공간적으로 변화하는 군집 크기를 공변량으로 통합함으로써 탐지 가능성 추정의 현실성과 정확도가 크게 향상되었다.
• 이 방법은 유럽 수역의 미뉴크 고래와 만어귀 고래 선형 전진 조사 데이터에 성공적으로 적용되어 실용적 유용성을 입증하였다.
• 이 프레임워크는 보존 및 관리 의사결정의 신뢰성을 높이기 위해 DSM에서의 불확실성 정량화를 위한 강력하고 계산적으로 실현 가능한 솔루션을 제공한다.