整合检测与动机因素提升野生动物中毒风险空间预测及实地保护行动效能

本研究通过整合检测偏差（imperfect detection）与毒害动机（motivation-related factors）的双重因素，创新性地构建了综合物种分布模型（Integrated Species Distribution Model），在西班牙西北部101,706 km2区域内精准识别出5个中毒热点区域（覆盖10,154.3 km2），为优化巡逻犬队（anti-poison canine units）部署等保护行动提供科学依据。

　　

Highlight

本研究揭示了野生动物犯罪的双重特性：通过解构环境检测因素（如人口密度、巡逻犬队分布）与毒害动机因素（如农业活动、山羊养殖）的协同效应，为野生动物中毒风险制图提供了创新范式。

Results

综合模型（combined model）显示：中毒强度在耕地（croplands）、高人口密度区及山羊养殖区显著上升（p<0.01），而巡逻犬队（canine units）的存在使检测率提升3.2倍。值得注意的是，偏远地区和高密度繁殖鸟类区域呈现明显负相关（β=-1.74±0.32）。

Discussion

研究发现官方统计数据的"冰山效应"——检测相关因素（如人力资源配置）会系统性低估实际毒害规模。通过整合动机因素（如报复性毒害）与检测效率参数，模型成功识别出传统方法遗漏的高风险走廊带（hotspot corridors）。

CRediT作者贡献声明

第一作者María Fernández-García主导了空间建模（SDM）与数据可视化；资深作者José Vicente López-Bao提供人类-野生动物冲突（HWC）理论框架；团队创新性地将犯罪地理学（Crime Mapping）应用于保护生物学领域。

Declaration of competing interest

作者声明不存在利益冲突——特别说明本研究未受农业游说团体（agricultural lobbies）或狩猎协会资助。

Acknowledgments

致谢部分提及获得WWF-Spain提供的ANTíDOTO数据库（含21,260例中毒记录），并注明资金来源于西班牙科技部（PCB1005_AST）和欧盟NextGenerationEU基金。