[论文解读] The Langevin diffusion as a continuous-time model of animal movement and habitat selection

Théo Michelot, Marie‐Pierre Étienne+1 more|arXiv (Cornell University)|Oct 24, 2018

Marine animal studies overview被引用 3

一句话总结

本文提出了一种连续时间的朗之万扩散模型，用于动物移动研究，通过平稳利用分布将栖息地选择与空间利用直接关联。通过从空间协变量推导出的势函数对移动过程进行建模，该方法利用伪似然估计，能够从不规则采样的追踪数据中稳健推断长期栖息地偏好，相较于传统方法在处理相关移动数据方面表现更优。

ABSTRACT

1. The utilisation distribution describes the relative probability of use of a spatial unit by an animal. It is natural to think of it as the long-term consequence of the animal's short-term movement decisions: it is the accumulation of small displacements which, over time, gives rise to global patterns of space use. However, most utilisation distribution models either ignore the underlying movement, assuming the independenceof observed locations, or are based on simplistic Brownian motion movement rules. 2. We introduce a new continuous-time model of animal movement, based on the Langevin diffusion. This stochastic process has an explicit stationary distribution, conceptually analogous to the idea of the utilisation distribution, and thus provides an intuitive framework to integrate movement and space use. We model the stationary (utilisation) distribution with a resource selection function to link the movement to spatial covariates, and allow inference into habitat selection. 3. Standard approximation techniques can be used to derive the pseudo-likelihood of the Langevin diffusion movement model, and to estimate habitat preference and movement parameters from tracking data. We investigate the performance of the method on simulated data, and discuss its sensitivity to the time scale of the sampling. We present an example of its application to tracking data of Stellar sea lions (Eumetopiasjubatus). 4. Due to its continuous-time formulation, this method can be applied to irregular telemetry data. It provides a rigorous framework to estimate long-term habitat selection from correlated movement data.

研究动机与目标

• 开发一种机制性、连续时间的动物移动模型，将栖息地选择与长期空间利用相结合。
• 解决现有方法在利用分布估计中假设位置独立或不切实际的布朗运动所带来的局限性。
• 提供一个框架，通过参数化、平稳分布将移动动态与环境协变量直接关联。
• 实现从高分辨率、不规则采样追踪数据中可靠推断栖息地选择。
• 通过连续空间公式，为离散网格或插值模型提供一种稳健的替代方案。

提出的方法

• 该模型使用朗之万扩散过程，其平稳分布对应于利用分布，从而实现移动与空间利用之间的直接关联。
• 扩散的漂移项由一个势函数导出，该势函数通过资源选择函数整合空间协变量。
• 利用欧拉离散化方案近似连续时间过程的转移密度，进行伪似然估计。
• 该方法无需插值即可处理不规则采样的追踪数据，保留了移动中的时间相关性。
• 案例研究采用两阶段方法：首先使用连续时间相关随机游走对Argos位置进行过滤，然后将朗之万模型拟合到过滤后的轨迹。
• 该框架可通过将观测模型直接整合到似然函数中，实现包含测量误差的分层状态空间建模。

实验结果

研究问题

• RQ1 如何构建一个连续时间移动模型，使其平稳分布代表利用分布？
• RQ2 能否使用机制性移动模型，从不规则采样追踪数据中可靠估计栖息地选择？
• RQ3 与更精细的Ozaki方法相比，欧拉离散化方案在估计栖息地选择参数方面的表现如何？
• RQ4 朗之万模型在捕捉真实栖息地偏好方面，相较于非机制性方法的优越程度如何？
• RQ5 该模型能否在统一推断框架中扩展以包含追踪数据中的测量误差？

主要发现

• 朗之万扩散模型提供了闭式平稳分布，可直接表示利用分布，从而在移动与空间利用之间建立机制性联系。
• 使用欧拉方案的伪似然估计可获得可靠的参数估计，即使在不规则采样下也表现良好，且由于数值稳定性，实际中优于Ozaki方案。
• 该模型在模拟数据上成功推断出栖息地选择，准确恢复了不同时间尺度下的真实资源选择函数。
• 在斯太勒尔海狮追踪数据上的应用揭示了显著的栖息地偏好，模型检测到与生态预期一致的有意义空间利用模式。
• 两阶段方法（先过滤后建模）虽有效但非最优；建议将测量误差整合到统一的状态空间模型中以提升推断性能。
• 该方法对数据不规则性具有鲁棒性，无需空间或时间分箱，适用于现代高分辨率追踪数据。