玻尔百科估算动物种群数量是生态科学和资源管理的基石，然而，它也带来了一个巨大的挑战：如何计算那些无法一次性全部看到的个体？解决方案在于标记重捕等统计方法，这些方法依赖于强大但又精细的假设。其中最关键的之一便是等可捕性原理——即每个个体，无论是最害羞的还是最大胆的，都有相同的被捕获机会。本文将探讨这一假设的深远影响，探索当这种理想化条件与复杂的自然世界不可避免地发生碰撞时，会发生什么。
在接下来的章节中，我们将解析等可捕性的概念。首先，在“原理与机制”部分，我们将探讨标记重捕法的精妙逻辑，并定义一个等可捕性成立的完美世界。然后，我们将检验动物行为和固有差异如何系统性地违背这一原理，将看似统计学上的问题转变为深刻生物学见解的来源。随后，在“应用与跨学科联系”部分，我们将看到这些概念如何在现实世界中发挥作用，从计算草地上的蝗虫数量到管理全球渔业的高风险事务，在这些情景中，对可捕性的误解可能导致生态和经济灾难。
想象你是一位生态学家，接到了一个看似不可能完成的任务：数清湖里每一条鱼。你不可能抽干湖水，也无法一次性看到所有鱼。你该怎么办？这是生态学中的一个根本性挑战，而解决方案则是一套优美的统计推理方法，即标记重捕法。
其基本思想非常简单。第一天，你去湖边，比如说，捕获 100 条鱼。你给每条鱼做一个小而无害的标记，然后将它们放回水中。一周后，你回到湖边，又捕获了 100 条鱼。在第二次的样本中，你发现其中有 10 条鱼带有你的标记。
现在，奇妙之处来了。你推断，第二次样本中标记鱼的比例，应该约等于整个湖中标记鱼的比例。你在 100 条鱼中捕获了 10 条标记鱼，所以比例是 。你知道你最初总共标记了 100 条鱼。因此，如果这 100 条标记鱼代表了整个湖泊种群的 ，那么总种群数量 () 必然是 条鱼。
通用公式与其逻辑本身同样优雅：
这里， 是我们对总种群数量的估算值， 是我们在第一次捕捞中标记的个体数量， 是我们在第二次捕捞中捕获的总数量， 是我们重捕的标记个体数量。这种方法最简单的形式被称为 Lincoln-Petersen 估算量。
要让这个简单的公式完美运作，我们必须做出一些假设。我们必须假设种群是封闭的——在我们的两次考察之间，没有鱼出生、死亡、游入或离开湖泊。我们必须假设标记不会脱落或伤害鱼类。但最重要，也是最常被违背的假设，就是等可捕性原理。
这个原理要求种群中的每一个个体，无论是否有标记，在任何一次抽样过程中被捕获的概率都完全相同。它要求我们把种群想象成一个装满相同台球的巨大罐子。第一天，我们取出一把 ()，将它们漆成红色，再扔回去。我们用力摇晃罐子，使它们完全混合。第二天，我们再取出一把 ()。等可捕性就是这样一个假设：每个球，无论红白，都有同样的机会最终被我们抓在手里。如果这个假设成立，我们的比例推理就是无懈可击的。
但动物不是台球。它们有行为、有记忆、有个体差异。当等可捕性的假设被违背时，我们的统计学透镜可能会变成哈哈镜，以可预测且引人入胜的方式扭曲我们对现实的看法。
自然界是光荣地混乱的，动物很少像完全相同、随机混合的粒子那样行动。它们会学习，会躲藏，有自己的个性。这些差异系统性地违背了等可捕性的假设，而理解它们如何违背假设，是从天真的估算走向对种群更真实理解的关键。
想象一下研究雪兔。你捕捉它们，在它们的耳朵上打上一个小标签，然后放走。一周后，你再次尝试捕捉它们。但之前被捕获过的雪兔可能还记得那次经历。如果那是一次充满压力的经历，它们可能会变得“避阱”，在未来主动避开你的陷阱。
这对我们的估算有什么影响？具有避阱性的动物比未标记且没有经验的动物更不可能被重捕。这意味着在我们第二次的样本中，重捕数量 会被人为地压低。让我们看看公式：。由于 在分母中，较小的 会导致较大的 。我们最终会严重高估种群数量。这个逻辑非常直观：你不断捕获大量新的、未标记的雪兔，而标记过的却寥寥无几。你可能会得出结论：“哇，外面一定还有大量我没见过的未标记雪兔！”但事实是，那些标记过的只是更擅长躲着你而已。
反之亦然。如果你的陷阱里有美味的诱饵，一些动物可能会学到陷阱是获得免费午餐的好地方。这些“趋阱性”个体再次被捕获的可能性更高。这会人为地抬高你的重捕数量 ，从而导致对种群数量的低估。你一遍又一遍地捕捉同样几个“冤大头”，让你相信种群中标记个体的比例非常高，因此总种群数量很小。
即使是像标记本身这样简单的事情也可能产生意想不到的后果。如果你用一抹亮黄色的油漆标记一只伪装得很好的青蛙，你可能没有影响它的行为，但你却让它更容易被捕食者发现。这会在你的两次调查之间选择性地从种群中移除标记个体。结果与避阱性相同：可供重捕的标记动物减少， 下降，你的种群估算值 被人为地抬高。
违背等可捕性的情况不仅与学习有关，也可能源于种群内部的固有差异。考虑墙上的一群壁虎，其中一些天生行动迟缓，容易捕捉，而另一些则行动敏捷。“慢”壁虎的捕获概率总是高于“快”壁虎。
如果你把它们混为一谈，你的样本就会偏向于慢壁虎。你会标记很多慢壁虎，也会重捕很多慢壁虎，你得到的估算值将是这两个群体的混乱平均值，无法准确反映总种群数量。这里的解决方案很巧妙：如果你能识别出不同的群体，你就可以将它们视为两个独立的种群。你对慢壁虎进行一次标记重捕估算，对快壁虎进行另一次独立的估算，然后简单地将两个估算值相加。这种方法被称为分层法，是处理种群中已知异质性的强大方式。
也许对等可捕性最微妙的违背并非来自行动物本身，而是来自我们——来自我们的抽样方法。想象一下，你试图估算一种严格夜行性的沙漠鼠的种群数量，但由于后勤限制，你只能在刺眼的正午设置陷阱。
绝大多数老鼠都在凉爽的洞穴里安然酣睡。你唯一可能捕获的，是少数在白天外出活动的异类，也许是因为它们生病了、迷路了，或者有其他异常情况。你捕捉并标记了这个小规模的、不具代表性的样本。当你再次于正午进行第二次调查时，你最有可能重捕谁？正是之前那些在白天活跃的个体！
这导致了极高的重捕率。你的 值相对于 和 来说很大。看公式 ，一个大的 会给你一个很小的 。你可能会得出结论，这片沙漠几乎没有老鼠，而事实上那里老鼠遍地。这是一个经典且危险的低估，由有偏的抽样框架造成了可捕性的相关性：在第一次抽样中可被捕获的个体，恰恰是在第二次抽样中最容易被捕获的个体。
那么，如果等可捕性的假设如此脆弱，生态学家该怎么办？我们就此放弃吗？当然不！这正是科学变得真正巧妙的地方。我们不应将这些违背视为问题，而应将其视为深刻生物学见解的来源。
第一步是检验是否存在违背。科学家们已经开发出拟合优度检验，可以检测数据是否符合等可捕性假设。在更复杂的模型中，有一类这样的检验涉及到创建列联表，以比较不同动物群体的后续命运。例如，他们可以在统计上比较新标记动物与已标记一段时间的动物未来的重捕率。如果新标记动物再次出现的模式有显著差异，这就是行为反应或其他形式异质性的一个危险信号。
一旦检测到违背情况，我们就可以将其构建到模型中。例如，对于行为反应，我们可以放弃单一捕获概率的想法，转而创建一个包含两种概率的模型：
通过将这个更复杂的模型拟合到数据中，我们可以同时估算 和 。如果 远低于 ，我们就量化了避阱性的强度。如果它更高，我们就测量了趋阱性。这将一个会使我们估算产生偏差的麻烦事，转变成了一份关于动物生物学的宝贵数据。然后，使用一个考虑了这两种不同概率的更复杂的公式来计算种群数量的估算值 。
在任何领域，对可捕性误解的后果都没有比在全球渔业管理中来得更严峻、更重要了。渔业科学家通常不依赖标记重捕法，而是依赖单位捕捞努力量渔获量 (CPUE) 作为丰度的指标。其逻辑似乎很简单：如果一艘渔船要花两倍的时间捕捞（努力量）才能获得同等数量的金枪鱼（渔获量），那么其种群数量必定只有原来的一半。
这一推理取决于一个恒定的可捕系数（用 表示）的假设。在渔业捕捞方程 中， 是渔获量， 是捕捞努力量， 是鱼类生物量， 的作用与我们的捕获概率相同。它是连接我们所做的（捕鱼）和实际存在的（鱼类）之間的纽带。
但如果 不是恒定的呢？许多鱼类，如鳕鱼和鲱鱼，当其种群规模缩小时，会形成更密集的鱼群。拥有先进声呐的现代捕鱼船队，可以像在种群庞大时一样轻松地找到这些剩余的鱼群。结果是，它们的 CPUE 依然很高；船只每天都能满载而归。这种现象被称为超稳定性。渔民和管理者只看到稳定的 CPUE，一个表示 “可捕性” 恒定的迹象，可能会认为一切正常。他们报告说渔况极佳，直到有一天，种群崩溃了，因为那些鱼群正是一个曾经庞大种群的最后残余。
此外，技术永不停止进步。2023 年的一个捕鱼日，有了 GPS、先进声呐和更高效的渔网，其效率远高于 1980 年的一个捕鱼日。这种“技术蠕变”意味着可捕性 随着时间的推移在悄然增加。如果管理者没有考虑到这一点，他们就会误读数据。一个稳定的 CPUE 实际上可能掩盖了鱼类种群的严重衰退，因为渔具效率的提高恰好掩盖了可供捕捞的鱼越来越少的事实。
这个看似抽象的等可捕性原理，源于计算动物数量的简单任务，最终却成为一个具有巨大实际重要性的问题。它给了我们一个深刻的教训：要理解世界，仅仅观察它是不够的。我们必须批判性地思考我们是如何观察它的，因为我们观察世界的镜头，塑造了我们所看到的现实。
在上一章中，我们熟悉了一个极其简单的理念：“等可捕性”原理。就像物理学家为了简化问题而假设一头完美的球形牛一样，我们假设种群中的每个个体都有相同的被捕获机会。这个优雅的简化让我们能够施展一种魔法：仅凭两个小样本就能估算出庞大、隐藏种群的规模。但是，当我们离开理想化的黑板，步入那个混乱、复杂且有趣得多的真实世界时，会发生什么？当我们的球形牛原来有各种各样的隆起、凹凸，并且有自己的想法时，会发生什么？
本章就是进入那个真实世界的旅程。我们将看到，等可捕性的假设不仅仅是一个方便的起点，它更是一面透镜。通过观察这面透镜在何处以及如何失焦，我们能发现关于我们所研究系统的更深层真相。“误差”和“偏差”不仅仅是需要修正的烦恼；它们是线索，是引领我们更丰富地理解动物行为、生态学以及管理地球资源这一高风险世界的面包屑小径。
我们原理最直接和经典的应用是在生态学领域，科学家们被赋予了看似不可能的任务：计算那些不可计数的生物。想象一位生态学家想知道一片生机勃勃的草地里有多少蝗虫。要数清每一只蝗虫是完全不可能的。取而代之，她可以使用标记重捕法。她捕捉一定数量的蝗虫，比如 只，用一小点无害的颜料标记它们，然后放走。待它们有时间重新混入整个种群后，她返回并捕捉第二个样本，大小为 。在这个新样本中，她发现了 只被标记的个体。
如果我们假设每只蝗虫——无论标记与否——在第二次捕捉中都有相同的被捕概率，那么样本中标记蝗虫的比例应约等于整个草地中标记蝗虫的比例。这给了我们一个极其简单而强大的关系式：
其中 是我们想要求的总种群数量。通过一点代数运算，谜题就解决了：。整个种群的规模，通过比率的逻辑得以揭示！这同一个优雅的原理可以扩展到整个生命树。它不仅适用于我们能看到和抓住的生物，也适用于支撑我们世界生态系统的那些看不见的庞大群体。例如，海洋生物学家可以使用完全相同的技术来估算一个巨大海洋环流中一种新的生物发光浮游植物的种群数量，标记它们用的不是颜料，而是荧光标记物。从昆虫到微生物，这个逻辑都成立。
当然，现实世界很少遵循如此简单的规则。有趣的是，当模型的假设被违背时会发生什么。每一次违背都是一个谜题，而解开它能加深我们的理解。
假设一位生态学家正在一个孤立的草地上研究一个蝴蝶种群。在她的第一次和第二次抽样之间，附近山谷的一场风暴将一大群未标记的蝴蝶吹进了她的研究区域。这违背了“封闭种群”的假设。当她采集第二个样本时，标记蝴蝶的比例 将被人为地降低，因为种群现在被新来者稀释了。将这个较小的 代入她的公式，将导致她计算出的种群数量 比草地中实际的蝴蝶数量大得多。她估算中的“误差”实际上是迁徙事件的证据。模型的失效教会了她关于系统动态及其与更广阔景观联系的新知识。
有时，我们甚至可以预见到规则将如何被打破，并将这些知识构建到我们的模型中。考虑一位研究滨蟹的生态学家。螃蟹会蜕壳，脱掉外骨骼以生长。如果标签贴在甲壳上，它将在蜕壳过程中丢失。这是一个可预测的“标记丢失”来源，明显违背了我们的假设。但如果我们从生物学研究中得知，任何一只螃蟹在两次取样之间有，比如说，20%的机会蜕壳，我们就不必束手无策。我们可以改进我们的模型。我们只需调整我们预期可供重捕的标记个体数量。有效标记螃蟹的数量不再是 ，而是 。通过考虑这一生物学现实，我们的估算变得更复杂，但也更准确、更稳健。科学的进步并非源于找到完美的系统，而是通过巧妙地调整我们的模型以适应不完美的系统。
在任何地方，理解可捕性后果的重要性都比不上渔业科学。在这里，我们讨论的概念不是学术练习；它们是影响全球粮食安全、数十亿美元产业和我们海洋健康的决策核心。
渔业评估的主力工具是一个名为单位捕捞努力量渔获量 (CPUE) 的指标。它是捕获的鱼量（渔获量）除以捕捞所花费的努力（例如，船只出海的天数）。在其最简单的形式中，CPUE 被视为鱼类种群丰度的直接代表。其背后的模型，通常称为 Schaefer 模型，是我们标记重捕逻辑的连续时间类似物。它假设渔获量与捕捞努力 () 和鱼类生物量 () 成正比，比例常数为 ，称为可捕系数：。这意味着 。如果 是常数，那么 CPUE 是丰度的完美指标。如果 CPUE 下降一半，鱼类种群就下降了一半。
但这种简单的关系隐藏着一个危险的陷阱。想象一个新开发的深海渔业。第一年，船队用 10,000 天的努力量捕获了 50,000 吨。第二年，船队扩张，工作更努力，用 25,000 天的努力量捕获了 60,000 吨。总渔获量上升了——好消息，对吧？但看看 CPUE。第一年，它是 5.0 吨/天。第二年，它暴跌至 2.4 吨/天。既然我们认为 ，这表明鱼类生物量在短短一年内减少了一半以上！更高的总渔获量仅仅是通过投入巨大的努力量实现的，掩盖了灾难性的种群衰退。
情况可能更加隐蔽。可捕系数 并非一个普适常数。它代表了捕捞过程的效率。当这种效率随时间提高时会发生什么？这就是“技术蠕变”的问题。年复一年，渔民们拥有了更好的声呐、更精确的 GPS 和更有效的渔具。他们每天努力捕捞鱼类的能力——他们的可捕性——正在稳步增加。
想象一个渔业，在十年间，CPUE 保持完全稳定。管理者和渔民可能会松一口气，认为种群健康，捕捞是可持续的。但是，如果在这同一个十年里，技术蠕变导致可捕性 每年增加，比如说，3%，那么稳定的 CPUE 就是一个海市蜃楼。方程 揭示了真相。如果 保持不变而 在上升，那么生物量 必须下降来补偿。一个稳定的捕捞率，曾经是健康的标志，现在却成了无声崩溃的掩护。
这种 CPUE 下降速度慢于实际生物量下降速度的危险现象，有一个名字：超稳定性。它是资源管理中最危险的陷阱之一。当我们的恒定可捕性假设以一种特定的非线性方式失效时，就会发生这种情况。CPUE 和生物量之间的关系不是简单的直线 ，而是一条曲线，通常用幂律来描述：。
为什么会发生这种情况？答案在于鱼类和渔民的综合行为。许多鱼类，特别是数量较少时，并不会稀疏地散开。它们会聚集成群，或聚集在少数剩余的优质栖息地。渔民作为聪明的捕食者，不会随机寻找鱼类。他们利用知识和技术直奔这些聚集区。随着总种群 的急剧下降，在剩余鱼群内部的鱼类密度可能保持在相对较高的水平。由于渔民的日捕捞率 (CPUE) 取决于这种局部密度，它不会像总体种群那样迅速下降。CPUE 数据描绘了一幅具有欺骗性的美好景象，导致管理者相信种群比实际情况健康得多，并允许过度捕捞继续进行，直到为时已晚。这是一个典型的例子，说明了用一个简单的指标来指导一个复杂系统如何可能导致灾难。
我们的旅程始于一个使我们能够计算蝗虫数量的简单假设，终点则在于深刻认识到管理复杂系统所固有的风险。我们已经看到，可捕性原理是一条连接生态学、数学和经济学的强大线索。违背其最简单的形式并非失败，而是对更深层次探究的邀请。
我们已经学到，渔业的稳定可能是一个海市蜃楼。我们用来衡量它的工具——如 CPUE——本身就可能被渔民行为、技术进步和物种的基本生物学特性所扭曲。先进模型显示，即使我们考虑了平均可捕性水平，年复一年的随机波动也可能是毁灭性的。连续几年异常高的可捕性（也许是由于有利的海洋条件）可能导致过度的捕捞死亡率，将种群推向崩溃，即使管理政策在平均水平上看起来是合理的。
最终，这是一个关于谦逊的教训。世界不是一堆球形牛。我们简单的模型是必不可少的起点，但真正的智慧在于理解它们的局限性。“噪音”、“偏差”、“误差”——这些才是最有趣科学之所在。通过追寻这些不完美之处，我们了解了迁徙、蜕壳、聚集，以及捕食者与猎物、渔民与鱼之间微妙的舞蹈。我们认识到，在一个不断变化的世界里，假设恒定不变或许是最大的风险。