《Wildlife Biology》：Estimating red deer Cervus elaphus population density using drones in a steep and rugged terrain
编辑推荐：
本研究创新性地利用无人机（UAV）在挪威莱达尔陡峭复杂地形中开展马鹿（Cervus elaphus）种群密度估算。通过双观察者协议和贝叶斯层次状态空间模型，证实了无人机在80%图像重叠率下可获得接近完整的可用性概率，但图像识别检测概率显著低于1需进行校正。该方法首次在崎岖林地实现了绝对密度估计（如Haugen地区3月密度中位数54.00头/km2），为慢性消耗性疾病（CWD）风险区的野生动物管理提供了可量化不确定性的新型监测方案。
研究背景与意义
有效监测种群大小和密度对自然生态系统管理至关重要，但针对栖息在难以进入区域或结构复杂环境中的物种，获取精确数据始终是重大挑战。在斯堪的纳维亚地区，种群管理主要依赖狩猎统计数据和猎人观测报告等指数，这些指标仅能提供趋势性信息且无法量化不确定性。随着慢性消耗性疾病（CCD）在挪威南部Nordfjella地区的驯鹿种群中被发现，挪威环境署建议将驼鹿（Alces alces）和马鹿的种群密度降至不足1头/km2，但缺乏可靠的密度估算方法使得管理决策面临困难。
研究方法创新
本研究在挪威莱达尔 municipality 的四个研究区域（Haugen、R?、Sprakehaug和S?re Bj?rkum）开展案例研究，利用大疆Mavic 2 Pro和Mavic 2 Enterprise Dual无人机在冬季/早春（树叶生长前）进行航测。通过设置60米飞行高度、80%前向重叠率和60%侧向重叠率的飞行参数，采用双观察者协议对图像中的马鹿进行识别。为解决陡峭地形中正射影像拼接失败的问题，创新性地选取非重叠空间采样单元（站点），并开发基于数字高程模型（DEM）的单幅图像地理配准方法。
关键发现与数据分析
通过对301个站点（平均面积0.59公顷）的分析，双观察者的综合检测概率达到97.6%。贝叶斯层次状态空间模型显示，观察者1的检测概率中位数为0.75（95% CRI：0.64-0.83），观察者2为0.86（95% CRI：0.78-0.91）。密度估算结果表明各研究区域存在显著空间异质性：Haugen地区3月密度中位数为54.00头/km2（20.10-178.80），4月升至98.51头/km2（29.19-559.85）；而R?地区密度始终低于管理目标（3月0.02头/km2）。研究还发现白天密度随距农田距离增加呈先升后降趋势，在300米处达到峰值。
技术挑战与行为响应
野生马鹿对无人机表现出明显行为反应，包括抬头注视和短暂冻结行为，但未引发大规模逃逸。与圈养种群相比，野生个体对无人机声音更为敏感，建议飞行高度不低于60米。研究还发现，冬季调查具有识别性别（通过鹿角）和雪地对比度优势，但热成像技术在林地环境效果有限。
应用前景与局限
尽管小尺度密度变异（平均0.6公顷站点间存在显著超泊松变异）导致估算不确定性较高，但通过整合GPS项圈数据、机器学习自动识别和实体解析模型，可进一步提升方法效能。该技术为CWD风险区的野生动物管理提供了首个可量化不确定性的密度估算方案，但需与捕获-标记-重捕、车辆碰撞数据等多源信息集成，才能构建可靠的种群监测体系。
