(正式版)GB/T 37364.4-2024 陆生野生动物及其栖息地调查技术规程 第4部分：鸟类

GB/T37364.4—2024陆生野生动物及其栖息地调查技术规程GB/T37364.4—2024 I 4调查内容 15调查方法 5.1预调查 5.2抽样要求 25.3分布区域调查方法 25.4种群数量调查方法 25.5栖息地调查方法 55.6受威胁因素调查方法 55.7保护现状调查方法 55.8调查季节及频次 5 5 5 56.2分布面积计算 66.3栖息地面积计算 6 66.5受威胁因素分析 66.6保护现状分析 6 67.1成果材料 67.2成果要求 68质量控制 78.1基本方法 78.2补充调查 78.3重新调查 7附录A(资料性)记录表格式 8附录B(规范性)水鸟同步调查法 附录C(资料性)应用物种分布模型计算野生动物栖息地面积的方法——以最大熵模型为例 附录D(资料性)应用距离抽样模型计算野生动物种群密度的方法示例 附录E(资料性)应用物种分布模型计算野生动物种群数量的方法示例 I本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。本文件为GB/T37364《陆生野生动物及其栖息地调查技术规程》的第4部分。GB/T37364已经发布了以下部分：——第1部分：导则； 第2部分：调查区划：——第4部分：鸟类。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由国家林业和草原局提出。本文件由全国野生动物保护管理与经营利用标准化技术委员会(SAC/TC369)归口。本文件起草单位：国家林业和草原局林草调查规划院、中国科学院动物研究所、中国科学院昆明动ⅡGB/T37364.4—2024GB/T37364拟由9部分构成。——第2部分：调查区划。目的在于提供陆生野生动物及其栖息地调查的区划方案及各单元的名 1GB/T37364.4—2024陆生野生动物及其栖息地调查技术规程第4部分：鸟类1范围2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中注日期的引用文本文件。GB/T37364.1陆生野生动物及其栖息地调查技术规程第1部分：导则GB/T37364.3陆生野生动物及其栖息地调查技术规程第3部分：兽类GB/T38590森林资源连续清查技术规程3术语和定义GB/T37364.1和GB/T37364.3界定的以及下列术语和定义适用于本文件。3.1按照统一的调查方法和技术标准，多人多点在同一时期内对不同区域或同一区域不同地点的某种(类)野生动物进行调查。3.2观测点watchingsite调查队员观测鸟类的地点。应符合GB/T37364.1的规定。5调查方法2GB/T37364.4—20245.2抽样要求应符合GB/T37364.1的规定。适用种类按照GB/T37364.1的规定。宜根据调查对象的生态生物学习性，选择鸟类活动的高峰期进行调查。对于多物种(类群)的调度一般不少于1.5km。乘用交通工具调查时，样线长度应适当加长。对于单物种(类群)的调查，样线长度可根据调查对象具体确定。样线上行进的速度根据行进方式确定，步行宜为1km/h～2km/h,车(船)行宜为10km/h~地理坐标、影像等信息(见附录A中表A.1)。适用种类按照GB/T37364.1的规定。3GB/T37364.4—2024距离、影像等信息(见表A.2)。每个样点的计数时间为10min。每个个体仅记录1次，确认是离开样点后又返回的鸟类不重复计数。适用种类按照GB/T37364.1的规定。对于调查区域较大或者多个区域的集群水鸟进行数量调查调查时间及地点宜在调查对象的集群期间进行调查。调查对象的集群时间、地点、范围可通过访问调查、历史资料、预调查等确定。在每一个观测点上对鸟类个体进行直接计数，并进行信息记录。当鸟类数量较多或处于群体飞行记录观测点的位置以及鸟类名称、数量、影像等信息(见表A.3)。注：自动记录法的一种，也称红外相机法或相机陷阱法，按照统计学要求布设能够自动触发拍摄野生动物的自动相机，对自动相机获取的影像信息进行分析，获取野生动物种类、数量、生态习性、行为和栖息地类型等的调查适用种类按照GB/T37364.1的规定。宜按照相机组布设自动相机。相机组的数量及布设方法宜根据项目区域面积、项目目标、栖息地类型等确定。每个相机组宜至少包括20台自动相机，并按照以下方法布设自动相机。——进行多物种(类群)调查时，宜按照以下方法布设自动相机：●在森林生态系统，宜按照1km×1km的网格布设自动相机。在不适合按照网格布设相机的陡峭山区，可根据海拔梯度布设，海拔每增高100m～200m宜布设1台自动相机，相机之间水平间距宜为1km～2km。●在其他生态系统，宜根据具体情况确定网格大小。——进行单物种(类群)调查时，布设相机的网格大小宜依据调查对象具体确定。多物种(类群)调查时，每台自动相机的拍摄时间宜不少于30d;单物种(类群)调查时，宜根据调查对象确定相机拍摄时间。对极度濒危物种调查时，每台自动相机的拍摄时间宜不少于100d。4GB/T37364.4—2024 .4相机固定换存储卡。当电池电量不足30%时，更换电池。对于已经连接互联网的自适用种类按照GB/T37364.1的规定。5GB/T37364.4—2024应结合样线法或样点法进行。在样线行进过程中或在样点上播放事先录制的目标物种的声音，有适用种类按照GB/T37364.1的规定。应结合样线法或样点法进行。在样线行进过程中或在样点上仔细倾听或通过仪器获取鸟类鸣(叫)调查方法及栖息地类型的划分按照GB/T37364.1的规定。地貌类型、坡向、坡位的划分及坡度的测量按照GB/T38590的规定。对鸟类及其栖息地受到的保护状况等进行调查，调查方法按照GB/T37364.1的规定，记录表见少应在繁殖期和越冬期分别进行调查。繁殖期和越冬期调查均应在调查对象的种群数量相对稳定的时期进行。5.8.2应根据当地的物候特点以及主要调查对象的习性确定繁殖期和越冬期。对于大部分地区，繁殖期为每年4月至7月，越冬期为每年12月至翌年2月。6数据处理和统计分析方法6GB/T37364.4—20246.2分布面积计算分布面积。录E)。但抽样调查中鸟类发现位点较少、没有达到数理统计要求的或没有达到模型应用条件的，不宜种群数量的结果。6.6保护现状分析7调查成果应符合GB/T37364.1的规定文字材料宜按A4版面印刷，表格材料宜按A4版面或A3版面印刷。宜尽可能获取各种鸟类的照片或视频。每一新种、新记录种应提供至少3张照片或10s长的视频。文字材料应为WORD格式或WPS文字格式，表格材料为EXCEL格式或WPS表格格式，图面材7GB/T37364.4—2024(音频)等材料为未经任何编辑的原始文件。8质量控制按照GB/T37364.1的规定。有下列情况之一的重新调查：——调查人员不能准确识别和记录调查对象；——调查时间段(指一天中的时间段)不符合要求；——缺乏原始记录或原始记录中缺乏关键内容；——观测仪器不符合规定。0o(资料性)表A.1~表A.8分别给出了各记录表的格式，包括样线法调查记录表，样点法调查记录表，直接计数法调查记录表，自动相机安装记录表，自动相表A.1样线法调查记录表鸟类名称实体数量/只痕迹种类及数量/个距离样线中线垂直距离/m经度纬度发现时间(时、分)栖息地类型坡度坡位坡向受威胁因素备注粪便足迹链巢穴其他因素程度表A.2样点法调查记录表坡度：°坡位坡向栖息地类型：受威胁因素受威胁程度鸟类名称数量/只距样点中心距离/m发现时间(时、分)备注鸟类名称鸟类数量/只备注GB/T37364.4—2024表A.4自动相机安装记录表相机地点： □倒木，□其他坡位：□山脊，□上坡，□中坡，□下坡，□山谷，口平地坡向：□东，□东北，□东南，□南□西南，□西，□西北，□北，□无坡向坡度：_距离居民点距离(km):居民点类型：□散户，□村屯，□乡镇，□城市，□其他水源类型：□河流，□溪流，□湖泊，□水库，□水塘，□其他植被类型：乔木平均高度(m):□5～9,□10～19,森林类型：□原始林，□次生林，□人工林，□无10m范围内最粗5棵树的胸径(cm):郁闭度：□>20%,□10%～20%,灌木高度(m):□0～1,□1～3,□3～5,□>5覆盖度：□0%～24%,□25%～49%,□落叶阔叶，□灌草丛，□其他，□无草本覆盖度：□0%～24%,□25%～49%,□无受威胁因素(距离相机位点50m半径内):备注表A.5自动相机检查、换卡、回收记录表0相机状态：□正常，□损坏，□丢失，□脱落，□停止工作，□其他处理方式：□未做处理，□修复，□取回相机，□报告项目负责人电池状态：□正常，□损坏，□丢失，□脱落，口其他处理方式：□未做处理，□更换电池，□取回相机，□报告项目负责人存储卡状态：□正常，口损坏，口丢失，□脱落，□其他处理方式：□未做处理，□更换存储卡，□取回存储卡，□报告项目负责人表A.6自动相机照片(视频)物种鉴定记录表序号文件名文件路径拍摄地点相机组编号相机位点编号相机编号原存储卡编号原文件名经度纬度)海拔m拍摄日期拍摄时间物种名称或其他“物种数量/只行为况h温度℃积雪受威胁因素受威胁程度物种鉴定人物种鉴定复核人影像类别雄性雌性幼体性别未知“影像为野生动物时，填写物种名称；影像不是野生动物时，根据拍摄到的影像，分别填写“家禽”“家畜”“工作人员”“其他人员”“植物”“其他情况”天气状况以数字表示，其中，0表示未知，1表示晴，2表示雨，3表示阴，4表示雪。c积雪以数字表示，其中，0表示无，1表示有。“受威胁程度以数字表示，其中，0表示受威胁程度为“无”,1表示受威胁程度为“低”,2表示受威胁程度为“中”,3表示受威胁程度为“高”。影像类别以数字表示，其中，0表示照片，1表示视频。动物名称种群保护栖息地保护救护繁育年度调查研究次数/次监测次数次巡护次数次保护地名称面积/hm²类型年度救护数量只繁育数量只死亡数量只放归数量只表A.8水鸟同步调查记录表观测点编号：观测点地理坐标：东经o"北纬o海拔m栖息地类型(湿地类型)受威胁因素受威胁程度中文名发现数量/只备注成体亚成体幼体成幼不明成体和幼体形态明显不同，宜识别的，应分别填写成体、幼体数量；不易识别的，可以不区分成幼，其数量直接填写到“成幼不明”一栏。不能识别到种的，在备注中填写可识别到的类群名称及数量。GB/T37364.4—2024(规范性)水鸟同步调查法B.1调查季节全国冬季水鸟同步调查宜在1月份进行，全国春季水鸟同步调查宜在3月至5月进行，全国秋季水鸟同步调查宜在9月至11月进行。流域性的、区域性的、单物种(类群)的水鸟同步调查可根据各地、各主要调查对象的集群时间确定，宜与全国性的或区域性的水鸟同步调查时间一致。B.2调查日期同一调查项目各调查地点的调查日期应基本一致，同一调查地点的调查应在同一天完成。沿海地区水鸟同步调查应在海水潮汐的近高潮期间进行。B.3调查方法B.3.1调查地点确定应根据调查对象的分布情况确定调查地点，并根据具体地形、地貌和调查对象的集群情况，确定每个调查地点的调查范围。B.3.2观测分区划定宜将每个调查地点的调查范围划分为一个或多个观测分区，并确定各观测分区的范围和面积。观测分区宜覆盖调查地点的所有调查对象的集群地。一个观测分区的面积以一个调查小组当天能够完成调查工作为限，各分区边界宜具有明显的地物标志。B.3.3观测点选定应根据调查对象的集群及分布状况具体选定观测点。一个观测分区内可以选择一个或多个制高点作为观测点，可通过这些观测点观测并计数观测分区内的所有鸟类个体。观测点的选择应尽量使观测分区内所有调查对象的个体均能够被发现和记录，但每个观测点的观测范围应相对独立，以避免对水鸟个体的重复计数。B.3.4观测计数在每一个观测点上对水鸟个体进行直接计数，并进行信息记录。当水鸟数量较多或处于群体飞行B.3.5信息记录GB/T37364.4—2024(资料性)C.1步骤C.1.1数据收集C.1.2数据处理C.1.3物种分布模型选择选择合适的物种分布模型。使用准备好的数据对选择的物种分布模型进行训练。在训练过程中，模型将学习物种与环境因素C.1.5模型验证集数据上的表现。C.1.6面积计算使用训练好的物种分布模型对整个研究区域目标物种的分布进行预测，得到目标物种的潜在分布范围。然后，根据设定的阈值将分布范围转化为二进制栖息地分布图，其中1代表适宜栖息地，0代表C.2以最大熵模型计算动物栖息地面积的R代码注2:R包版本为：base≥4.3,stats≥4.3,dis注3:代码包含模型灵敏性指标。如果随机选择一些对照点，可以计算模型特异性指标，以及Kappa指数、井导入所需的包library(dismo)井读取R包dismo的物种分布数据(R包dismo的ex目录下的动物分布点bradypus.csv)occurence<-paste(system,file(package="dismo"),'/ex/bradypus.csv',sep=’’)GB/T37364.4—2024occ<-read.table(occurence,header=TRUE,sep=’,’)[,-1]#只有经纬度两列#读取目标物种的分布数据occ〈-read.csv("my_data.csv")#读取R包dismo的环境变量数据#R包dismo的ex目录下的9个环境变量是grd格式的栅格图层fnames<-list.files(path=paste(system.file(package="dismo"),'/ex',sep=’’),pattern='grd’,s=TRUE)predictors<-stack(fnames)#把图层叠加在一起plot(predictors)#显示环境数据#读取目标物种的环境变量数据library(raster)predictors<-brick('my_variables.grd')#划分训练集和测试集train_index<-sample(1:nrow(occ),nrow(occ)*0.8)#使用80%的数据作为训练集train_data<-occ[train_index,]test_data<-occ[-train_index,]井构建最大熵模型maxent_model<-maxent(predictors,train_data,factors='biome')井变量biome是分类变量，要井指定为factormaxent_model#显示模型结果井预测每个栅格的物种存在的概率predictions<-predict(maxent_model,predictors)plot(predictions)井显示物种分布概率的空间异质性#根据设定的阈值(比如0.6)将预测结果转化为二进制栖息地分布图threshold<-0.6num_cells<-sum(values(predictions)>threshold,na.rm=T)井计算适宜栖息地面积resolution=1井适用于公里网格的图层。suitable_area<-num_cells*resolution#resolution为栅格单元的面积井输出结果cat("估计的栖息地面积：",suitable_area,"面积单位")check<-extract(predictions,test_data)checkout<-cbind(test_data,p=check,presence=check>threshold)sum(checkout$presence)/length(checkout$presence)GB/T37364.4—2024(资料性)应用距离抽样模型计算野生动物种群密度的方法示例D.1.1数据收集D.1.2建立探测函数发现位点数减少的程度。根据探测函数估计动物的密度和置信区间。D.1.4结果解释和评估根据置信区间评价距离抽样的可靠性。D.2应用距离抽样模型计算种群密度的R代码注2:代码应用了R包abundanceR中示例物种的监测数据，这些数据仅作为示例。数据中的关键字段是species、注3:distanceSampling比较了3个探测函数和3个矫正项共9个组合的拟合优度，并按顺序进行排列。后面ds函数是选择第一个也是最优组合来进行探测函数建模。注4:示例中观测半径设为500m,样注5:R包的版本为：base≥4.3,stats≥4.3,Distance≥1.0.7,mrds≥2.2.8,geosphe4.6—14。library(abundanceR)#调用动物数量估计的R包data(kiang)#调用目标物种数据head(kiang)井查看目标物种数据(前6行)mean(kiang$size);sd(kiang$size)#平均群体大小和标准差sum(kiang$size[kiang$distance<=500])#500m内观测到的目标物种的个体总数length(kiang$size[kiang$distance<=500])#500m内观测到的目标物种的总群数set.seed(1)#固定随机化过程library(Distance)井调用距离抽样的R包井拟合探测函数和矫正项的所有组合GB/T37364.4—2024AICs=distanceSampling(kiang[kiangAICs=AICs[!is.na(AICs$AIC),]#$distance<=500,])#需要1min～5min井应用最佳参数(探测函数和矫正项)进行距离抽样的计算ds.kiang<-ds(kiang,key=AICs$Key[1],adjustment=AICs$Adjustment[1],truncation=500)(results=summary(ds.kiang))井估计密度data(shape)#调取样线数据(shape文件)plot(shape)#library(rgdal)points(kiang$Lon,kiang$Lat)lon_range=max(kiang$Lon)-min(kiang$Lon)#经度范围lat_range=max(kiang$Lat)-min(kiang$Lat)#纬度范围theta=sin(lat_range/(lon_range^2+lat_range^2)-0.5)井角度lon_delta=DIS_degree*cos(theta)#根据样线长度矫正的经度范围lat_delta=DIS_degree*sin(theta)#根据样线长度矫正的纬度范围library(geosphere)DIS=distm(c(min(kiang$Lon),min(kiang$Lat)),c(min(kiang$Lon)+lon_delta,min(kiang$Lat)+lat_delta),fun=distHaversine)/1000detection_depth=0.5#0.5kmAREA=DIS*detection_depth*2#两侧井井密度density=results$ddf$Nhat/AREA#图示探测函数plot(ds.kiang,main=paste("Key:",AICs$Key[1],"\n","Adjustment:",AICs$Adjustment[1],GB/T37364.4—2024(资料性)E.1步骤E.1.1整理数据E.1.2计算探测率计算距离抽样的探测率。E.1.3建立物种分布模型E.1.4估计动物数量应用物种分布模型估计整个区域的动物数量。E.1.5获取样线点位信息E.1.6提取动物数量的预测值利用样线点位提取样线上动物数量的预测值。计算预测偏差的空间异质性。E.2用物种分布模型计算种群数量的R代码注1:该示例方法适用于对在开阔区域容易发现的大型动物调查结果的计算。注2:代码应用了R包abundanceR中示例物种的调查数据，这些数据仅作为示例。数据中的关键字段是species、size、distance、Lat和Lon。关键字段的名称和大小写已经固定。其中size是每个群体的个体数，distance是动注3:distanceSampling比较了3个探测函数和3个矫正项共9个组合的拟合优度，并按顺序进行排列。后面ds函数是选择第一个也是最优组合来进行探测函数建模。注4:需要提前下载环境变量栅格数据。29个全球环境变量数据的下载地址为：/s/1noU8A7WcsuYx0MSiQq6CeQ,提取码为1234。注5:R包的版本要求为：abundanceR≥100,base≥4.3,stats≥4.3,Distance≥1.0.7,raster≥3.6—20,mrds≥2.2.8,geosphere≥1.5—10,randomForest≥4.6—14,rgdal≥1.5—16。library(abundanceR)#调用动物数量估计的R包data(kiang)#调用目标物种的数据head(kiang)#查看目标物种的数据(前6行)mean(kiang$size);sd(kiang$size)#平均群体大小和标准差sum(kiang$size[kiang$distance<=500])#500m内观测到的目标物种的个体总数length(kiang$size[kiang$distance<=500])#500m内观测到的目标物种的总群数set.seed(1)#固定随机化过程library(Distance)#调用距离抽样的R包#拟合探测函数和矫正项的所有组合AICs=distanceSampling(kiang[kiang$distance<=500,])井约需要1min～5minAICs=AICs[!is.na(AICs$AIC),]#去掉空值#应用最佳参数(探测函数和矫正项)进行距离抽样的计算ds.kiang(-ds(kiang,key=AICs$Key[1],adjustment=AICs$Adjustment[1],truncation=500)井显示结果，包含探测率及其标准误、目标物种的个体数量及其标准误#平均探测率Average.p=SM$ds$average.p;Average.p#距离抽样的不确定性survey.uncertainty=1-Avdata(shape)#调用目标物种调查样线plot(shape)#图示目标物种调查样线BioClim<-brick('var29.grd)#调用29个全球环境变量#根据物种分布数据的空间范围切割环境数据，向外缓冲0.3°,约30kmBioClim=cropLayers(kiang,b