[论文解读] Point process models for spatio-temporal distance sampling data

Yun Yuan, Fabian E. Bachl+6 more|arXiv (Cornell University)|Apr 20, 2016

Point processes and geometric inequalities参考文献 48被引用 5

一句话总结

本文提出一种基于模型的推理框架，结合空间对数高斯随机场点过程与SPDE-INLA方法，利用距离取样数据在精细空间尺度上估计蓝鲸密度，实现对探测过程与空间结构化密度的联合建模，同时揭示了未被协变量捕捉的未解释空间变异。

ABSTRACT

Distance sampling is a widely used method for estimating wildlife population abundance. The fact that conventional distance sampling methods are partly design-based constrains the spatial resolution at which animal density can be estimated using these methods. Estimates are usually obtained at survey stratum level. For an endangered species such as the blue whale, it is desirable to estimate density and abundance at a finer spatial scale than stratum. Temporal variation in the spatial structure is also important. We formulate the process generating distance sampling data as a thinned spatial point process and propose model-based inference using a spatial log-Gaussian Cox process. The method adopts a flexible stochastic partial differential equation (SPDE) approach to model spatial structure in density that is not accounted for by explanatory variables, and integrated nested Laplace approximation (INLA) for Bayesian inference. It allows simultaneous fitting of detection and density models and permits prediction of density at an arbitrarily fine scale. We estimate blue whale density in the Eastern Tropical Pacific Ocean from thirteen shipboard surveys conducted over 22 years. We find that higher blue whale density is associated with colder sea surface temperatures in space, and although there is some positive association between density and mean annual temperature, our estimates are consitent with no trend in density across years. Our analysis also indicates that there is substantial spatially structured variation in density that is not explained by available covariates.

研究动机与目标

• 解决传统距离取样方法在精细空间分辨率下估计动物密度的局限性，特别是对蓝鲸等濒危物种的估计。
• 克服传统方法设计依赖性带来的限制，后者将密度估计限制在调查分层水平。
• 采用灵活的随机方法建模蓝鲸密度的时间与空间变异，同时考虑未解释的空间结构。
• 通过联合拟合探测模型与密度模型，提升推断准确性，并实现在任意空间尺度上的预测。
• 评估海表温度等环境协变量对东热带太平洋海域22年期间蓝鲸分布与丰度趋势的影响。

提出的方法

• 将距离取样数据的生成过程建模为一种稀疏化空间点过程，以连接探测与空间分布。
• 采用空间对数高斯随机场点过程（LGCP）建模动物探测的潜在强度，允许灵活的空间相关结构。
• 应用随机偏微分方程（SPDE）方法，表示控制密度空间变异的潜变量高斯场。
• 采用集成嵌套拉普拉斯近似（INLA）实现快速、精确的贝叶斯推断，无需马尔可夫链蒙特卡洛（MCMC）采样。
• 通过分层模型框架，同时估计探测函数参数与空间变化的密度。
• 通过利用高斯过程表示与SPDE近似，实现对任意所需空间分辨率下的密度预测。

实验结果

研究问题

• RQ1 基于模型的方法是否能够将距离取样中密度估计的空间分辨率提升至超过分层水平？
• RQ2 蓝鲸密度的空间结构化变异与海表温度等环境协变量之间存在何种关系？
• RQ3 在东热带太平洋海域22年调查期间，蓝鲸密度的时间趋势如何？
• RQ4 在考虑了观测到的协变量后，密度中仍存在多大程度的未解释空间变异？
• RQ5 当使用SPDE-INLA联合拟合时，探测模型与密度模型的协同估计效果如何？

主要发现

• 空间上更高的蓝鲸密度显著与较冷的海表温度相关，表明其偏好较冷水域。
• 平均年温度与蓝鲸密度之间存在正向但微弱的关联，尽管22年总体趋势表明无显著变化。
• 大量由协变量未解释的空间结构化密度变异仍然存在，凸显潜在空间过程的重要性。
• SPDE-INLA框架成功实现了精细尺度密度预测，并实现了探测与空间分布的联合建模。
• 该模型揭示了蓝鲸分布中复杂的时空模式，这些模式无法通过分层水平估计或简单协变量子模型捕捉。
• 该方法为数据有限、濒危物种且调查覆盖稀疏的种群估计提供了稳健且可扩展的解决方案。