比较最大概率和贝叶斯方法,将隐藏的马尔科夫模型与伊利诺伊河入侵鱼的多州捕获-重新捕获数据相匹配
Charles J Labuzzetta1, Alison A Coulter2, Richard A Erickson3
1U.S. Geological Survey, Upper Midwest Environmental Sciences Center, 2630 Fanta Reed Road, La Crosse, WI, 54603, USA. clabuzzetta@usgs.gov.
Movement ecology
|January 8, 2024
概括
隐藏的马尔科夫模型 (HMMs) 提供灵活的生态建模. 结合贝叶斯式和最大概率方法来捕获-重新捕获数据,可以改善生态洞察力和管理策略,特别是对于入侵物种.
科学领域:
- 生态生态学 生态生态学
- 统计建模 统计建模
背景情况:
- 隐藏马尔科夫模型 (HMM) 在生态学中广泛用于多状态捕获-重新捕获数据.
- 许多HMM方法和软件存在,包括最大概率和贝叶斯方法,导致潜在的混和夸张的差异.
研究的目的:
- 为多状态捕获-重新捕获数据提供一个统一的框架,使用最大概率和贝叶斯式HMM.
- 将这个框架应用于侵袭性白银鱼遥测数据,并比较两个估计方法.
主要方法:
- 开发了用于捕获-重新捕获数据的HMMs的一般框架.
- 使用了最大概率和贝叶斯估计技术.
- 将模型应用于来自伊利诺伊河的入侵银鱼遥测数据.
主要成果:
- 最大概率和贝叶斯方法都显示了趋同的挑战.
- 生物知情的先验 (贝叶斯式) 和初始值 (最大概率) 有助于趋同.
- 整合先前的知识限制了对稀疏数据的估计,产生了现实的移动和检测概率.
结论:
- 从生物学上看,不切实际的估计可能表明模型趋同不佳.
- 方法之间一致的融合提高了模型的可信度.
- 准确的移动概率估计对于预测种群动态和告知管理,特别是对于入侵物种至关重要.
更多相关视频
12:39A Novel Bayesian Change-point Algorithm for Genome-wide Analysis of Diverse ChIPseq Data Types
Published on: December 10, 2012
11.4K
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
13.3K
