[论文解读] 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 5

一句话总结

本文提出了一种贝叶斯空间捕获-再捕获模型，通过将个体身份视为潜在变量，整合来自两种采样方法（如左、右侧相机陷阱照片）的部分身份信息。利用马尔可夫链蒙特卡洛（MCMC）结合梅特罗波利斯算法，该模型基于空间邻近性对个体进行概率匹配，显著提升了在个体识别不完整或非同步情况下的种群密度与丰度估计。

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.

研究动机与目标

• 解决在两种采样方法（如左、右侧相机陷阱图像）中仅部分已知个体身份时，估计动物种群丰度与密度的挑战。
• 认识到不同设备捕获之间的空间邻近性在身份无法直接对应时，为解决个体身份问题提供了关键信息。
• 开发一种统计框架，将个体身份视为潜在变量，并利用MCMC联合估计种群规模、检测概率与身份匹配。
• 扩展现有空间捕获-再捕获模型，以处理不完美或部分身份数据，尤其适用于非同步或单台相机陷阱研究。
• 通过最大化空间显式捕获数据的信息量，提升低成本单台相机陷阱研究中的统计效率，即使无法获得完整个体身份。

提出的方法

• 构建一个空间显式捕获-再捕获模型，将个体身份视为潜在变量，并基于来自两种不同采样方法的捕获事件的空间邻近性进行条件设定。
• 采用数据增广方法处理未知的种群规模N，通过引入全零捕获历史的零膨胀潜在个体。
• 实施梅特罗波利斯-哈斯廷斯算法以更新潜在身份匹配，基于空间邻近性与检测概率提出新的匹配方案。
• 将似然函数条件化于真实身份匹配，使模型简化为标准空间捕获-再捕获模型，从而确保MCMC计算的可行性。
• 引入零膨胀多项式似然函数，以考虑未观测到的个体与未知的N，实现对种群规模与个体身份的联合推断。
• 使用后验预测检查与MCMC抽样，估计身份匹配、种群规模与检测参数的后验分布。

实验结果

研究问题

• RQ1 当身份无法直接对应时，能否利用来自两种不同采样方法（如左、右侧侧身照片）捕获事件之间的空间邻近性，来概率性地推断个体身份？
• RQ2 在空间捕获-再捕获研究中，将空间信息纳入身份匹配是否能提高种群丰度与密度估计的准确性和精确性？
• RQ3 在仅部分身份已知的情况下，与传统方法相比，所提出的具有潜在身份匹配的贝叶斯模型表现如何？
• RQ4 已知身份个体数量（nID = 10 或全部）的引入，如何影响种群规模估计与身份匹配准确性的表现？
• RQ5 在无法同时获取左、右侧照片的单台相机陷阱研究中，该模型在多大程度上提升了统计效率？

主要发现

• 模型成功以高后验概率恢复了真实个体身份，1,469个MCMC样本中，右侧行为21号个体被正确匹配至左侧行为13号个体。
• 在N = 120的模拟中，当无任何身份信息时，种群规模的后验均值为120.076（标准差 = 8.248），95%后验区间在频率学上的覆盖率为93.5%。
• 当10名个体身份已知时，后验均值为120.064（标准差 = 7.847），95%覆盖率为95.0%，表明即使在部分身份信息下，推断仍具稳健性。
• 将左右两侧视为独立样本的启发式估计器表现较差，仅实现85%覆盖率，且在Case 1中后验众数为119，而完整模型的覆盖率为93.5%。
• 在检测概率较低（p0 = 0.10）且空间变异性较高（σ = 0.7）的情景下，模型仍保持良好覆盖率（93–95%）与种群规模估计的低偏差。
• 即使在无任何个体身份已知的情况下，该模型在估计种群规模与身份匹配方面表现优异，后验众数始终接近真实值N = 120。