[论文解读] Flexible discrete space models of animal movement

Ephraim M. Hanks, David A. Hughes|arXiv (Cornell University)|Jun 26, 2016

Morphological variations and asymmetry参考文献 19被引用 6

一句话总结

本文提出了一种灵活且计算高效的框架，用于在离散栅格网格上使用连续时间马尔可夫链（CTMCs）对动物运动进行建模，整合环境协变量，并通过堆叠加权似然（SWL）方法处理缺失的遥测数据。该方法利用标准广义线性模型软件实现惩罚似然推断（如LASSO和样条平滑），从而获得准确且可解释的复杂运动行为模型，例如方向性偏倚和空间变化的运动速率。

ABSTRACT

Movement drives the spread of infectious disease, gene flow, and other critical ecological processes. To study these processes we need models for movement that capture complex behavior that changes over time and space in response to biotic and abiotic factors. Penalized likelihood approaches, such as penalized semiparametric spline expansions and LASSO regression, allow inference on complex models without overfitting. Continuous-time Markov chains (CTMCs) have been recently introduced as a flexible discrete-space model for animal movement. Modeling with CTMCs involves discretizing an animal's path to the resolution of a raster grid. The resulting stochastic process model can easily incorporate environmental and other covariates, represented as raster layers, that affect directional bias and overall movement rate. We introduce a weighted likelihood approach that allows for modeling movement using CTMCs, with path uncertainty due to missing data modeled by imputing continuous-time paths between telemetry locations. The framework we introduce allows for inference on CTMC movement models using existing software for fitting Poisson regression models, including penalized versions of Poisson regression. The result is a flexible, powerful, and accessible framework for modeling a wide range of animal movement behavior.

研究动机与目标

• 开发一种灵活且易用的框架，用于建模动物对时空环境驱动因子的复杂运动行为。
• 通过将多重插补与基于似然的推断相结合，解决运动建模中缺失遥测数据的挑战。
• 利用现有的GLM软件，实现对运动速率和方向性偏倚的惩罚似然估计（如LASSO、样条），以实现半参数建模。
• 展示该方法在捕捉真实遥测数据中现实运动动态方面的实用性，例如随时间变化的行为模式和空间异质的运动模式。

提出的方法

• 将动物运动建模为在离散栅格网格上的连续时间马尔可夫链（CTMC），其中相邻单元之间的运动由依赖于环境协变量的转移速率控制。
• 使用对数线性模型表示方向性偏倚和运动速率：α_ij = exp{m(x_i,y_i) + e'_ij(p(x_j,y_j) - p(x_i,y_i))}，其中m(x,y)为活力表面，p(x,y)为势能表面。
• 通过B样条展开估计空间变化的表面m(x,y)和p(x,y)，使用系数δ_k和γ_k，实现灵活的半参数建模。
• 通过LASSO回归实施惩罚似然，联合选择并估计空间变化的运动参数，减少过拟合并实现模型选择。
• 采用堆叠加权似然（SWL）方法，通过插补遥测点之间的连续时间路径并相应加权似然贡献，处理缺失数据。
• 使用现有的广义线性模型（GLM）软件——特别是惩罚GLM软件包——实现高效推断，避免计算密集的MCMC方法。

实验结果

研究问题

• RQ1 如何在离散栅格网格上使用连续时间马尔可夫链（CTMCs）对复杂动物运动行为（如方向性持续性和运动速率变化）进行建模？
• RQ2 在运动分析中，如何在不依赖计算密集的贝叶斯MCMC方法的情况下，有效建模缺失的遥测数据？
• RQ3 惩罚似然方法（如LASSO）能否被适配到CTMC运动模型中，以实现在高维空间变化参数空间中的模型选择并避免过拟合？
• RQ4 CTMC框架结合堆叠加权似然（SWL）推断在多大程度上能复现真实世界遥测数据中的现实运动模式，例如北福尔摩尔海狮和木匠蚂蚁的数据？

主要发现

• CTMC模型成功捕捉了北福尔摩尔海狮的时间变化运动行为，揭示了运动模式变化与环境条件的相关性。
• 对于木匠蚂蚁，模型揭示了明显的空间模式：觅食蚁避开蚁后所在位置（由势能丘指示），而巢穴蚁在巢穴出入口附近表现出更高的运动速率。
• 采用B样条展开和LASSO惩罚的半参数模型比以往的参数模型提供了更细致的洞察，识别出空间异质的运动速率和方向性偏倚。
• 堆叠加权似然（SWL）方法实现了使用标准GLM软件的高效推断，其精度与MCMC相当，但速度显著更快且更易访问。
• 通过AIC和惩罚似然的模型选择，即使在复杂的空间变化参数下，也能稳健识别出运动的关键环境驱动因子，且不过拟合。
• 从拟合的CTMC模型生成的模拟运动路径在海狮和蚂蚁数据中均准确再现了观测到的空间使用模式，验证了模型的真实性和预测能力。