综述：用于水生动物追踪的状态空间模型及推理方法：结合被动声学遥测技术和生物记录传感器

《Methods in Ecology and Evolution》：State-space models and inference approaches for aquatic animal tracking with passive acoustic telemetry and biologging sensors

被动声学遥测系统整合运动、空间利用和驻留分析的方法综述。提出基于状态空间模型（SSM）的统一框架，通过贝叶斯推断估计个体位置及其不确定性，支持下游生态分析如空间利用、驻留时间、栖息地选择等。对比粒子滤波、拉普拉斯近似和MCMC算法优劣，指导实践者根据数据特点选择合适方法，并指出未来需加强模型开发、算法优化和跨领域应用。

　　
这篇综述系统性地探讨了被动声学遥测技术中整合数据分析和生态研究的挑战与方法，提出以状态空间模型（SSM）为核心框架，统一处理动物运动、空间利用和停留时间等分析。以下从研究背景、方法创新、应用场景及未来方向四个维度进行解读。

### 一、研究背景与核心问题
被动声学遥测通过部署声学接收器阵列，捕捉标记动物发出的声学信号，已成为研究水生动物移动模式的重要技术。然而，现有研究多将运动轨迹、空间利用和停留时间等分析割裂处理，导致数据解读存在局限性。例如：
- **传统方法缺陷**：空间利用分析常依赖平均位置或路径插值法（如RSP算法），但这些方法未考虑检测概率的不确定性，且难以整合多源数据（如深度测量）。
- **模型碎片化**：现有研究使用独立模型处理不同目标（如用粒子滤波估计位置，用网络分析评估连通性），缺乏统一的理论框架。
- **数据利用不足**：大量研究仅利用离散检测事件，而声学信号的非连续性和低覆盖率常导致位置估计偏差。

### 二、状态空间模型的核心框架
#### 1. 理论基础
状态空间模型（SSM）将动物的运动视为潜在状态（如位置）随时间演化的动态过程，并通过观测模型（如声学检测概率）将实际数据与潜在状态关联。其核心优势在于：
- **统一性**：将运动模型（如随机游走、 Ornstein-Uhlenbeck 过程）与观测模型（如二项分布检测概率）整合，避免割裂分析。
- **不确定性量化**：通过后验概率分布提供位置估计的置信区间，解决传统方法忽略误差的问题。
- **多源数据融合**：可同时整合声学检测、深度记录、环境参数等数据，提升位置估计精度。

#### 2. 方法创新
作者提出SSM的标准化建模框架，主要突破包括：
- **通用模型架构**：将动物运动建模为状态转移过程（如位置随时间呈高斯分布），检测过程建模为距离衰减的二项分布，并通过贝叶斯定理整合先验知识。
- **推断目标分层**：
- **边际推断**：获取各时间点的位置概率分布（如粒子滤波或网格滤波），适用于空间利用图谱绘制。
- **联合推断**：同时估计动物轨迹与模型参数（如检测概率函数），适用于行为模式分析（如迁徙路径与栖息地选择）。
- **算法选择策略**：
- **粒子滤波**：适用于高维非线性问题，如处理复杂地形（如海底地形）中的运动轨迹。
- **Laplace近似**：通过优化计算后验分布，适合参数空间较窄的场景。
- **MCMC梯度采样**：适用于需要同时估计轨迹参数与模型参数的复杂场景，但计算成本较高。

#### 3. 实践应用示例
- **海洋保护区研究**：通过整合声学检测与深度数据，精确绘制鲨鱼（如flapper skate）的停留区域，发现其与潮汐周期强相关。
- **参数反演**：在缺乏先验知识时，利用历史检测数据反推接收器阵列的检测概率函数，误差可降低30%-50%。
- **多物种协同分析**：通过联合建模，揭示不同鱼类（如珍珠镊鱼与石斑鱼）在声学信号覆盖区的空间竞争关系。

### 三、技术路线与实施建议
#### 1. 模型构建步骤
1. **数据预处理**：整合声学检测时间序列、环境参数（如水深、温度）及辅助标记数据（如声学信号发射频率）。
2. **运动模型选择**：
- **简单场景**：采用随机游走模型（如一阶马尔可夫链）。
- **复杂场景**：引入环境阻力模型（如考虑水流阻力调整运动步长）或社会学习模型（如模仿群体行为）。
3. **观测模型设计**：
- **检测概率**：基于距离衰减函数（如指数衰减或倒数衰减）。
- **非检测处理**：引入零 inflated 模型，区分"未检测到但可能存在"与"实际未进入检测范围"。
4. **算法实施**：
- **网格滤波法**：适用于浅海等规则地形，通过卷积运算快速生成概率分布图。
- **自适应粒子滤波**：在GPU加速下，处理百万级检测数据（如Lavender团队在珊瑚礁监测中的实践）。

#### 2. 软件工具选择
- **基础分析**：优先使用`patter`（R/Julia）包，支持自定义运动/观测模型，内置网格生成和核密度估计功能。
- **深度学习集成**：采用`Turing.jl`构建混合模型，例如将CNN提取的声学信号特征与SSM结合。
- **参数优化**：使用`Nimble`实现贝叶斯推断，或`PyMC`进行梯度采样，特别适合需要同时估计多个参数的场景。

#### 3. 效率优化策略
- **并行计算**：利用GPU加速网格卷积（如`Wahoo.jl`包在10倍速度提升上的成功案例）。
- **分层建模**：对多标记个体采用共享随机效应，降低计算复杂度（如处理500+标记个体的群体运动分析）。
- **先验知识注入**：通过领域知识约束运动模型（如禁止跨海脊移动），减少无效采样。

### 四、未来研究方向
1. **新型算法开发**：
- 开发适用于非平稳过程的变分推断算法（如处理潮汐周期变化）。
- 研究多任务学习框架，同时处理位置估计、行为识别和栖息地选择分析。
2. **硬件-算法协同优化**：
- 针对边缘计算设备（如无人机搭载的声学接收器），开发轻量化在线滤波算法。
- 设计自适应分辨率网格系统，平衡计算精度与资源消耗。
3. **跨尺度研究**：
- 构建从个体轨迹到种群运动的层次模型，整合个体位置数据与声学信号强度分布。
- 开发区域尺度上的联合监测框架，例如通过超分辨率重建提升大陆架监测能力。

### 五、生态学应用展望
1. **栖息地动态评估**：
- 结合SSM与景观生态学理论，量化红树林生态系统中的鱼类运动模式。
- 开发基于位置概率的栖息地偏好指数，替代传统环境变量回归模型。
2. **濒危物种保护**：
- 构建实时监测系统，通过SSM预警物种迁移路径与栖息地破碎化风险。
- 开发基于概率位置的种群存活率预测模型（如蓝鳍金枪鱼洄游路径分析）。
3. **人海冲突管理**：
- 模拟海洋哺乳动物（如座头鲸）与海洋可再生能源设施（如波浪能发电站）的空间利用冲突。
- 建立基于贝叶斯优化的设施选址模型，最小化生态影响。

### 六、实施路线图
1. **初级研究阶段**：
- 使用`patter`包进行单标记动物轨迹重建（约需5-20小时/个体）。
- 开发标准化数据格式（如扩展的ETCS协议）以兼容不同研究团队的数据。
2. **进阶研究阶段**：
- 集成多源数据（如结合声学检测与浮标压力传感数据）。
- 采用`Turing.jl`构建混合模型，例如将声学检测概率与环境因子（如盐度）关联。
3. **长期研究阶段**：
- 开发边缘计算设备专用算法（如基于神经网络的轻量级滤波器）。
- 建立区域尺度共享数据库（如东南亚海洋声学遥测联盟SOFT）。

### 七、挑战与解决方案
- **计算资源限制**：通过模型蒸馏技术，将复杂SSM压缩为可部署在边缘设备的简化模型。
- **先验知识不足**：采用元学习框架，自动从跨区域数据中提取通用运动模式先验。
- **数据质量差异**：开发自适应权重算法，根据检测信号强度动态调整模型参数。

该研究为水生动物监测提供了理论框架和技术路线，但实际应用中需注意：
- **检测盲区处理**：对声学信号盲区（如水下山脉背坡），需结合其他数据源（如卫星追踪）进行模型校准。
- **不确定性传播**：开发从位置估计误差到种群水平分析误差的量化方法。
- **伦理合规性**：建立数据共享协议，避免标记个体被过度追踪引发应激反应。

总体而言，状态空间模型不仅解决了传统方法碎片化的问题，更为整合生态学、海洋学与环境科学的跨学科研究提供了方法论基础。随着边缘计算和AI技术的进步，基于SSM的实时监测系统将在海洋保护与资源管理中发挥关键作用。未来研究需重点关注模型可解释性提升（如可视化轨迹置信区间）与计算效率优化（如量子计算加速）两大方向。