通过将从拖式水利话机阵列中获取的被动声学数据与视线截图数据相结合,估计鱼 (Physeter macrocephalus) 的丰富性和可用性偏差

科学领域:

• 海洋哺乳动物生态学
• 声学监控 声学监控 声学监控
• 统计建模 统计建模

背景情况:

• 视觉线截面 (VLT) 调查是海洋哺乳动物监测的标准,但由于样本大小小小,以及深度潜水物种的可用性偏差而困难.
• 被动声学监测 (PAM) 提供了观察这些难以捉摸的动物的潜力,但整合VLT和PAM数据带来了统计方面的挑战.

研究的目的:

• 为结合VLT和PAM数据流提供一个总体框架,以估计海洋哺乳动物的丰度和可用性偏差.
• 评估三种不同的数据集成方法的性能:DS-DS,CMR-DS和混合方法.

主要方法:

• 开发了一个整合同时VLT和PAM数据的框架,包括三个方法:DS-DS (独立数据集),CMR-DS (在PAM数据上完全集成的捕获-标记-重新捕获) 和混合方法 (PAMCMR数据的子集).
• 利用基于鱼潜水和发声行为的模拟来评估方法的性能.
• 应用混合方法对船上鱼的调查数据集进行案例研究.

主要成果:

• 模拟结果显示,与DS-DS方法相比,CMR-DS和混合方法减少了超过90%的丰度和可用性偏差.
• 该CMR-DS方法显示了最少的偏差和最高的整体精度.
• 应用于鱼数据的混合方法给出了与仅VLT分析可比的丰度和可用性偏差估计,但精度更高.

结论:

• 整合多个数据源,如VLT和PAM,对于改善海洋哺乳动物丰度和偏差估计至关重要.
• 开发的框架和方法,特别是CMR-DS和混合,在解决神秘物种挑战方面取得了重大进展.
• 未来的研究应该专注于将这些方法应用于其他深度潜水物种,并将其与替代的统计方法进行比较.