密度の信頼性はAIの正解率だけでなく、標本設計と観測モデルで決まるんよ。
分母の面積から確認する
密度は個体数を面積で割るが、飛行した範囲と実際に観測できた範囲は同じではない。樹冠、画像の端、重複撮影、欠測区画を考慮した調査面積を決めよう。区画ごとの検出条件が違うのに一つの平均へまとめると、林内の少なさが単なる見えにくさだった、ということが起こるんよ。
検出・誤検出・重複を分ける
見落としは存在する個体を捉えられない誤差、誤検出は存在しない対象を数える誤差、重複は同じ個体を複数回数える誤差じゃ。隣接フレームの追跡IDも、別の便をまたぐ個体識別とは違う。軌跡、時刻、位置精度、移動速度、種の情報で対応を付け、曖昧な統合は人が確認できるよう残すんよ。
補正は前提が成立してこそ使える
単純な考え方では、重複と誤検出を除いた観察数を検出確率で割って補正する。ただし全個体が同じ確率で見えるとは限らん。反復カウントを使うモデルでも、調査期間中の閉鎖性、独立性、誤検出の扱いなどを確認する必要がある。コアラの自動検出研究でもN-mixtureと修正Horvitz–Thompson法が比較されており、AIの出力をそのまま推定値にはしていないんよ。
結果は一点の数字で終えない
報告には推定値、区間、対象期間、面積、調査努力、使用モデル、検出の検証方法を添える。年ごとの区間の重なりだけで増減を判定せず、同じ標本区の対応や年をまたぐ誤差の関係も含め、差・変化率そのものの不確実性を評価するんよ。研究者向け画面は、結論、変化の区間、比較できない条件、根拠画像と計算履歴の順に示そう。
標本に入る確率と、見える確率を分ける
調査区画が選ばれる確率と、その区画にいる動物が見つかる確率は別じゃ。均一な検出確率pを仮定した N̂ = n / p は説明用の単純式であり、画像AIの信頼度をpに代入してはいけん。区画外への外挿、動物の可視状態、誤検出、移動による重複を一つの係数へ押し込まず、どの観測過程を補正したか記録するんよ。
根拠と関連資料
原典の条件・対象種・対象地域を確かめ、実際の計画に使ってください。研究結果を別の種や環境へ一律に適用しないでください。