相关实验视频
Updated: Jan 14, 2026
08:20
A Method for Quantifying Foliage-Dwelling Arthropods
Published on: October 20, 2019
6.2K
当检测不完善时,估计昆虫繁多的生态驱动因素
1Faculty of Land and Food Systems, University of British Columbia, Vancouver, British Columbia, Canada.
The Journal of animal ecology
|October 23, 2025
概括
准确的昆虫丰度估计需要考虑不完美的检测. 当检测率较低时,诸如多项N混合 (multimix) 等等级模型比通用线性混合模型 (GLMMs) 更准确.
科学领域:
- 生态生态学 生态生态学
- 保护生物学 保护生物学
- 统计建模 统计建模
背景情况:
- 生物多样性保护依赖于了解物种丰富的驱动因素.
- 一般化的线性模型 (GLMs/GLMMs) 对于昆虫计数数据是常见的,但忽视了不完美的检测,导致偏差的估计.
- 像多项式N混合 (multimix) 和双项式N混合 (binmix) 这样的等级模型解决了不完美的检测,但需要进行比较.
研究的目的:
- 为了比较GLMM,双混合和多混合模型的准确性,以估计在不同检测概率下昆虫的丰富性.
- 为了确定生态和研究设计条件,需要先进的层次模型.
- 评估不完善检测对估计息地恢复对野生蜜蜂丰富性的影响的影响.
主要方法:
- 在修复和未修复的城市公园中收集野生蜜蜂数量数据.
- 在数据中应用标记回收 (多重组) 和基于计数 (binmix,GLMM) 的模型.
- 使用模拟来评估不同检测速率和移动场景下的模型准确度和精度.
主要成果:
- 单个蜜蜂的捕获率始终低于5%.
- 多种混合模型显示,在恢复的息地中,蜜蜂的检测率高出1.6倍.
- 由于GLMMs没有考虑检测偏差,因此高估了对蜜蜂繁多的恢复效应.
结论:
- 多混合标记回收模型为估计丰度驱动器提供了卓越的准确性和精度,即使是单独的运动.
- 影响检测的环境因素可能会混实验设计和偏差GLMM估计.
- 优先考虑最大限度地检测的方法对于准确的生态驱动器研究至关重要;对于低检测率,建议使用多混合模型.
