[论文解读] Reliable variance propagation for spatial density surface models

Mark V. Bravington, David L. Miller+1 more|arXiv (Cornell University)|Jul 20, 2018

Marine animal studies overview被引用 6

一句话总结

本文提出一种方法，通过在广义可加模型（GAM）中将检测概率不确定性视为随机效应，可靠地将距离抽样阶段的不确定性传播到密度表面模型（DSM）中。该方法可利用标准GAM软件实现准确且计算高效的方差估计，并扩展用于处理空间变化的群体规模，在座头鲸和港海豚调查数据上得到验证。

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.

研究动机与目标

• 解决密度表面模型（DSM）中长期存在的不确定性传播错误问题，即距离抽样阶段的方差常被忽略或估计不准确。
• 通过提供空间变化动物密度的更准确不确定性估计，改善保护和管理决策。
• 开发一种计算高效的框架，通过随机效应将检测概率不确定性直接整合到空间建模阶段。
• 将方法扩展以考虑群体规模的空间变化，这是直线航线调查中影响可检测性的一个关键因素。
• 使用欧洲水域的真实直线航线调查数据，展示该方法的可行性和性能。

提出的方法

• 通过在GAM框架内将距离抽样阶段的不确定性作为随机效应嵌入，重新表述DSM。
• 在GAM拟合过程中近似检测函数模型，以捕捉检测概率方差，而无需单独的模型拟合。
• 使用惩罚似然估计与光滑样条，将空间密度建模为位置和环境协变量的函数。
• 在检测模型中将空间变化的群体规模作为协变量，使可检测性能够按区域变化。
• 利用现有的GAM软件（如R中的mgcv）计算最终密度表面估计的完整方差-协方差结构。
• 通过模型的分层结构，确保检测阶段和空间建模阶段的方差被正确合并。

实验结果

研究问题

• RQ1 如何可靠地将距离抽样阶段的不确定性传播到密度表面模型的最终方差估计中？
• RQ2 能否在GAM框架内将检测概率的不确定性有效建模为随机效应，以改善方差估计？
• RQ3 在直线航线调查中，考虑群体规模的空间变化是否能提高可检测性和密度估计的准确性？
• RQ4 所提出的方法能否在不依赖定制或复杂计算流程的情况下，通过标准GAM软件高效实现？
• RQ5 该新方法在复杂海洋哺乳动物调查数据的真实应用场景中表现如何？

主要发现

• 所提出的方法通过将检测概率不确定性视为随机效应，成功地将其中的不确定性整合到空间建模阶段，实现了准确的方差传播。
• 该方法可利用标准GAM软件实现完整的方差估计，无需依赖专用或复杂的计算工具。
• 将空间变化的群体规模作为协变量纳入模型，显著提高了可检测性估计的现实性和准确性。
• 该方法已成功应用于欧洲水域座头鲸和港海豚的直线航线调查数据，证明了其实际应用价值。
• 该框架为DSM中的不确定性量化提供了一种稳健且计算可行的解决方案，增强了保护和管理决策的可靠性。