[論文レビュー] Spatial Capture-recapture with Partial Identity

J. Andrew Royle|arXiv (Cornell University)|Jan 1, 2015

Census and Population Estimation参考文献 22被引用数 5

ひとこと要約

本稿では、左・右側のカメラトラップ写真などの2つのサンプリング法から得られる部分的個体識別情報（部分的アイデンティティ）を統合するベイジアン空間的捕獲・再捕獲モデルを提案する。個体識別を潜在変数として扱い、MCMCとメトロポリス法を用いて空間的近接性を活用して個体間の一致を確率的に割り当てる。これにより、完全でない、または同時でない個体識別が行われる研究において、個体密度および個体数の推定が顕著に向上する。

ABSTRACT

We develop an inference framework for spatial capture-recapture data when two methods are used in which individuality cannot generally be reconciled between the two methods. A special case occurs in camera trapping when left-side (method 1) and right-side (method 2) photos are obtained but not simultaneously. We specify a spatially explicit capture-recapture model for the latent "perfect" data set which is conditioned on known identity of individuals between methods. We regard the identity variable which associates individuals of the two data sets as an unknown in the model and we propose a Bayesian analysis strategy for the model in which the identity variable is updated using a Metropolis component algorithm. The work extends previous efforts to deal with incomplete data by recognizing that there is information about individuality in the spatial juxtaposition of captures. Thus, individual records obtained by both sampling methods that are in close proximity are more likely to be the same individual than individuals that are not in close proximity. The model proposed here formalizes this trade-off between spatial proximity and probabilistic determination of individuality using spatially explicit capture-recapture models.

研究の動機と目的

• 左・右側のカメラトラップ画像などの2つのサンプリング法において、個体識別が部分的にしか得られない状況での動物の個体数および密度の推定という課題に対処すること。
• 個体識別が直接一致しない場合に、異なる装置からの捕獲の空間的近接性が、個体識別の解消に重要な情報を提供することを認識すること。
• 個体識別を潜在変数として扱い、MCMCを用いて同時に個体数、検出確率、識別割り当てを推定する統計的フレームワークを構築すること。
• 従来の空間的捕獲・再捕獲モデルを、不完全または部分的アイデンティティデータに対応できるように拡張すること。特に、同時でない、または単一のカメラトラップ研究に特化すること。
• 低コストの単一カメラトラップ研究における統計的効率を向上させること。完全な個体識別が得られない状況においても、空間的に明示的な捕獲データから最大限の情報を引き出すこと。

提案手法

• 個体識別を潜在変数として扱い、2つの異なるサンプリング法からの捕獲の空間的近接性を条件として、空間的に明示的な捕獲・再捕獲モデルを構築する。
• 未知の個体数 N を扱うために、全ゼロの遭遇履歴を持つゼロインflatedの潜在個体を導入するデータ拡張法を用いる。
• メトロポリス・ハスティングス法を実装し、潜在的個体識別割り当てを更新する。新しい一致の提案は、空間的近接性と検出確率に基づく。
• 真の識別割り当てを条件として尤度を定式化することで、MCMCが取り扱える標準的な空間的捕獲・再捕獲モデルに還元する。
• 未観測の個体と未知の N を考慮するため、ゼロインフラットド・多項分布尤度を組み込む。これにより、個体数と個体識別の同時推定が可能になる。
• 事後予測チェックとMCMCサンプリングを用いて、識別一致の事後分布、個体数、検出パラメータの推定を行う。

実験結果

リサーチクエスチョン

• RQ1 左・右側の写真などの異なる2つのサンプリング法からの捕獲の空間的近接性が、個体識別が直接一致しない状況で、確率的に個体識別を推定するために利用可能か？
• RQ2 個体識別割り当てに空間的情報を組み込むことで、空間的捕獲・再捕獲研究における個体数および密度推定の正確性と精度はどのように向上するか？
• RQ3 部分的アイデンティティしか入手できない状況において、提案されたベイジアンモデル（潜在的識別割り当て付き）は、従来の手法と比較してどの程度の性能を示すか？
• RQ4 既知の識別を持つ個体（nID = 10 または 全て）を含めることで、個体数推定および識別割り当ての正確性はどのように変化するか？
• RQ5 同時でない左・右側の写真が得られない単一カメラトラップ研究において、このモデルは統計的効率をどの程度向上させるか？

主な発見

• MCMCサンプル2,000件のうち1,469件が、右側個体21を正しい左側個体13に割り当てており、高い事後確率で真の個体識別を回復していることが裏付けられた。
• N = 120のシミュレーションにおいて、識別が一切不明な状況では、個体数の事後平均は120.076（標準誤差 = 8.248）であり、95%事後区間の頻度的カバレッジは93.5%であった。
• 10個体の識別が既知の場合、事後平均は120.064（標準誤差 = 7.847）であり、95%カバレッジは95.0%であった。部分的アイデンティティでも推定が安定していることが示された。
• 左・右側を独立したサンプルとして扱うヒューリスティック推定法は、正確性に劣り、ケース1ではカバレッジが85%にとどまり、全モデルの93.5%に比べて低い。
• 検出確率が低め（p0 = 0.10）で空間的ばらつきが高い（σ = 0.7）状況でも、モデルは良好なカバレッジ（93–95%）と低いバイアスを維持した。
• 識別が一切不明な状況でも、個体数および識別割り当ての推定に優れた性能を示し、事後最頻値は常に真のN = 120に近い値を示した。