结合视域分析和整数规划优化野生动物点计数调查位置：一种提升探测率的空间优化方法

《Ecological Informatics》：Optimizing point count survey locations with viewshed analysis and integer programming: A geospatial approach to wildlife detectability

　　本研究针对野生动物点计数调查中存在的探测偏差问题，创新性地将地理信息系统中的视域分析与空间优化方法相结合。研究人员通过融合DEM、DSM和LiDAR数据，在34个湿地中量化了不同观测点的可见性，并利用最大覆盖位置问题模型优化了1至5名观测者的布设方案。结果表明，LiDAR增强的视域分析将可见面积高估降低了约一半，优化布点方案可使可见面积比最差点位平均提高6倍。该框架为生态监测项目提供了考虑可见性和观测者布设的实用工具。

　　

在生态学和保护生物学领域，准确评估野生动物种群数量是至关重要的基础工作。点计数作为一种广泛应用的传统调查方法，要求观察者从固定位置记录特定时间内目标物种的个体数量。这种方法看似简单直接，但其准确性却受到一个长期存在的挑战——探测偏差的显著影响。探测概率的波动受到多种因素制约，包括时间条件、物种特性、个体行为、观察者技能以及环境因素等。特别是在复杂生境中，植被遮挡、地形起伏等因素会极大影响观察者的视野范围，导致野生动物个体被漏记，从而造成种群数量的低估。更严重的是，当在不同地点进行比较研究时，探测率的差异可能导致得出错误生态推论，甚至引发有害的保护决策。

尽管统计学家已经开发出多种方法来估计和校正探测率，例如通过估计探测距离、分析探测时间、使用多名观察者或进行协变量分析等，但这些方法要么需要投入大量人力物力，要么要求研究者具备高级统计学知识，这在一定程度上限制了它们在实践中的广泛应用。面对这一困境，是否有更直观、更易于操作的技术手段来应对探测偏差的挑战呢？

发表在《Ecological Informatics》上的这项研究给出了一个创新的解决方案。研究团队将地理信息科学中的视域分析技术引入野生动物调查领域，通过量化观测点的可见性来作为探测率的替代指标，并结合空间优化算法，为点计数调查的布点方案提供了科学依据。

为开展本研究，研究人员整合应用了几项关键技术方法：首先，基于美国佛罗里达州坦帕市34个湿地的地理空间数据，融合了数字高程模型(DEM)、数字表面模型(DSM)和激光雷达(LiDAR)数据，构建了精确的地形和植被三维模型；其次，开发了视域分析算法，计算了每个湿地周边120个随机观测点的可见区域比例；最后，应用最大覆盖位置问题这一整数规划模型，优化选择了1至5名观测者的最佳布设位置组合，以最大化湿地覆盖面积。

研究结果

视域分析结果

研究表明，仅基于地形的视域分析会显著高估可见面积，而融入LiDAR数据后，可见性估计更为保守和准确。在仅考虑地形的情况下，平均可见性范围为32%至100%，形状规则的湿地如Castor Pond几乎可以实现完全可见。然而，当通过LiDAR考虑植被遮挡后，平均可见性下降至1%-97%，大多数湿地低于50%。植被茂密的湿地下降最为明显，例如Park Square从96%降至3%，Blue Rock从78%降至3%。相关性分析进一步证实，湿地紧凑度指数与LiDAR可见性呈正相关(r=0.54，p<0.001)，而植被覆盖率和冠层覆盖率均与可见性呈负相关。

优化布点结果

通过最大覆盖位置问题模型优化观测点布设，研究发现最优观测点位置在仅考虑地形和考虑LiDAR增强的两种情景下往往不同。对于某些湿地，增加第二名观测者即可将可见性提升至100%，但对于形状复杂或植被密集的湿地，即使布设五名观测者也难以实现完全覆盖。优化布点方案带来的效益因湿地结构而异，在形状复杂但植被较少的湿地中效益最大，而植被密集的场地则需要更多观测者才能实现充分覆盖。

实地验证结果

在Simmons Park湿地的实地验证中，LiDAR增强的视域分析预测准确率达到89.6%，而仅基于地形的分析准确率为84.2%。预测错误主要发生在观测者位于植被后方或假目标位于挺水或浮水植被附近的情况，验证了LiDAR数据在表征真实野外条件方面的优势。

研究结论与讨论

本研究证实了视域分析为将探测率纳入野生动物调查提供了一种实用方法。通过比较基于地形和LiDAR增强的视域分析，发现融入LiDAR数据能提供更保守、更真实的可见性估计。当调查地点存在大量地上障碍物（如植被）时，推荐使用LiDAR技术；而当地形是主要遮挡因素时，基于DEM的视域分析可能已足够。

研究还发现，不同湿地之间以及同一湿地内不同观测点之间的可见性存在显著差异，这凸显了传统随机或便利布点方法的局限性。优化选择的观测点位置比随机点位平均提高了约50%的可见面积，显著提升了物种探测概率。

将可见性结果与整数线性规划相结合，使研究人员能够在有限的观测资源下最大化湿地覆盖范围。这一优化框架特别适用于资源有限的监测项目，其核心目标是以最少的野外工作量最大化数据质量。

尽管本研究存在一些局限性，如仅限于城市湿地、未考虑物种特异性行为对探测率的影响，以及LiDAR数据的计算需求可能限制其在更大或更复杂场地的应用，但整合地理空间视域分析与优化算法仍为改进野外调查设计提供了一套强大工具。这种方法提高了调查效率、透明度和生态有效性，为未来野生动物监测研究提供了重要参考。