Design af vildtkamera-undersøgelser: afstand, tæthed og varighed

Her er den ubehagelige sandhed, som det meste af design af vildtkamera-undersøgelser kommer til at handle om: afstand, tæthed og varighed er ikke tre uafhængige knapper, du justerer efter smag. De er alle afledt af én beslutning, du træffer, før et eneste kamera forlader bilen — hvad er det helt præcist, du forsøger at estimere? Artsrigdom, tilstedeværelse (occupancy), relativ tæthed og populationstæthed kræver hver sit array, sit antal stationer og sin udsætningsperiode, og et design, der er fremragende til det ene, kan være stilfærdigt ubrugeligt til det andet.

Det lyder indlysende. Det er det åbenlyst ikke. Da Burton og kolleger gennemgik 266 vildtkamera-studier udgivet mellem 2008 og 2013, brugte 40,2 % slet ikke et sandsynlighedsbaseret stikprøvedesign, men byggede på opportunistisk eller målrettet placering, og yderligere 21,4 % gav næsten ingen detaljer om stikprøvedesignet. Færre end en tredjedel nævnte eksplicit de antagelser om rumlig og tidsmæssig uafhængighed, som deres analyser hvilede på. Kameraerne fungerede fint. Designene kunne i mange tilfælde ikke understøtte de slutninger, forfatterne drog ud fra dem.

Så før vi når til tal — og der er gode, konkrete tal længere nede — så indprent dig rækkefølgen af operationer. Vælg spørgsmålet. Lad spørgsmålet sætte afstanden i forhold til målartens leveområde. Lad afstanden og dit præcisionsmål sætte antallet af stationer. Lad detekterbarheden sætte varigheden. Alt andet er logistik. Får du rækkefølgen forkert, redder ingen mængde feltindsats dig.

Begynd med spørgsmålet, ikke kameraet

Den enkeltvis mest brugbare ramme i litteraturen er, at en kameradetektion er produktet af to processer: hvor mange dyr der er derude, og hvor sandsynligt det er, at hvert enkelt bliver fotograferet. Ethvert designvalg er i virkeligheden et valg om, hvordan du håndterer den anden proces — detektionen. Det, der adskiller de analytiske metoder, er, hvad de antager, og dermed hvad de kræver af dit array.

En hurtig rundtur i de fire almindelige mål, for resten af artiklen vender hele tiden tilbage til dem:

• Artsinventering / rigdom — »hvad lever her?« Du har brug for, at hver art har en chance for detektion forskellig fra nul, hvilket mest betyder bred rumlig dækning og randomisering, ikke intensitet på ét bestemt sted.
• Tilstedeværelse (occupancy) — »hvor stor en andel af lokaliteterne bruger en art?« Tilstedeværelsesrammen modellerer eksplicit ufuldkommen detektion gennem gentagne besøg, så den har brug for nok lokaliteter og nok besøgsrunder pr. lokalitet til at fastslå detektionssandsynligheden.
• Relativ tæthed (RAI) — detektioner pr. indsatsenhed, brugt som indeks for tæthed. Billig og allestedsnærværende, men den hviler på den dristige antagelse, at detekterbarheden er konstant på tværs af det, du sammenligner. Det er den som regel ikke.
• Populationstæthed — dyr pr. arealenhed, guldstandarden. For individuelt identificerbare arter (tænk plettede katte) betyder det rumlig fangst-genfangst (SCR/SECR); for umærkede arter er random encounter-modellen (REM) det eneste reelle valg. Disse to metoder vil have modsatte ting af din kameraafstand, hvilket er den enkeltvis største faldgrube i hele faget.

GBIF's vejledning om datapublicering gør samme pointe fra den anden ende: »hvad vil du gerne vide om hvilke artsgrupper? Hvert formål bringer sine egne nøglekarakteristika med sig, som man må overveje, såsom kamerahøjde og -retning, sæsonbestemthed, brug af lokkemad, detektionszonens egenskaber«. De karakteristika er ikke valgfrie metadata. De er designet.

En praktikerorienteret oversigt, der er en begynders tid værd, fremstiller selve placeringen som en menu — tilfældig, stratificeret, systematisk, adaptiv og tilstedeværelsesbaseret stikprøvetagning, hver med sine egne styrker. Det er et fint mentalt stillads. Men i samme øjeblik du vælger virkelige koordinater, er spørgsmålet ikke længere »hvilken stikprøvearketype lyder godt« — det er »hvad antager min estimator, og opfylder dette layout det?«

Afstand og uafhængighed: bundet til leveområdet, ikke til vanen

Kameraafstand er der, hvor gode intentioner går til grunde, for den »rigtige« afstand vendes på hovedet afhængigt af dit mål — og litteraturen er reelt uenig nogle steder, hvilket jeg markerer undervejs.

Til rigdom, tilstedeværelse og RAI vil du generelt have uafhængighed. Tommelfingerreglen, næsten alle griber til, er 1-2 km mellem stationerne. Det tal er ikke helligt; det er en pragmatisk erstatning for »langt nok fra hinanden til, at to kameraer ikke sampler de samme individer«. WWF's best practice-guide siger lige ud, at betydningen af streng uafhængighed »ofte overdrives og kan have ringe effekt på den statistiske slutning«, og bemærker, at den rumlige klyngedannelse, man ville bekymre sig om, har vist sig at være svag i kameradata, når nogen har ledt efter den. Kays og kolleger fandt, at autokorrelation mellem kameraer ikke var et problem ud over cirka 25 m i tropisk skov — men et subtropisk krat-studie fandt den stadig ved 500 m. Så den ærlige version: bind afstanden til målartens leveområde, lad den som standard ligge på cirka 1 km (og mindst én leveområde-diameter), når du mangler den viden, og husk, at du kan modellere resterende afhængighed statistisk i stedet for at designe den væk.

WildCAM's opsætningsguide giver den reneste version af afvejningen i klart sprog: hvis du estimerer tilstedeværelse af grizzlybjørn, »og kameraerne placeres for tæt på hinanden, er detektionerne muligvis ikke statistisk uafhængige, hvis der er en chance for, at det samme individ detekteres ved nabokamera-lokaliteter inden for en kort periode«, så for vidtstrejfende pattedyr »kan du ønske at vælge store afstandsintervaller«.

Til SCR/SECR-tæthed vil du have det stik modsatte — afhængigheden er hele pointen. Disse modeller virker ved at iagttage, hvordan fangstsandsynligheden falder med afstanden fra et dyrs aktivitetscentrum, så hvert individ skal fotograferes ved mere end én station. Anbefalingen: hold kameraerne ikke mere end 0,8 gange en gennemsnitlig leveområde-radius fra hinanden, og sigt ideelt efter en tredjedel af en leveområde-radius, hvilket svarer til cirka 4-7 kameraer inden for hvert leveområde. Konventionel (ikke-rumlig) fangst-genfangst er endnu strengere med hensyn til ikke at efterlade »huller«, som et helt leveområde kunne gemme sig i — Tobler og Powell udtrykker det mindeværdigt for jaguarer: »der bør ikke være noget hul mellem kameraerne, der kan rumme et helt leveområde for et individ«.

Her bliver det interessant, og her har faget ikke fundet helt ud af det. Et SECR-studie af sortbjørn (via WildCAM's syntese) fandt, at da kameraafstanden blev øget, flyttede tæthedsestimaterne sig næsten ikke — »det kan være mere umagen værd at sætte fælderne længere fra hinanden for at sample et større område«, fordi SECR er langt mere robust over for et mindre antal stationer end andre tæthedsmetoder. Den toneangivende SECR-gennemgang når frem til samme strategiske konklusion: »den bedste måde at øge præcisionen på fra et studiedesign-perspektiv synes at være gennem at øge antallet af fangede individer«, hvilket opnås mest naturligt ved at forstørre undersøgelsesområdet. Så for SECR er der reel spænding mellem lærebogens »pak dem tæt«-afstand og det praktiske »spred dem vidt for at fange flere individer«-fund. Den løsning, de fleste lander på: udstrækningen af dit gitter i forhold til leveområdets størrelse betyder mindst lige så meget som afstanden mellem fælderne — hvilket sneleopard-studiet nedenfor demonstrerer brutalt.

For REM er afstanden frigjort helt fra målarten, hvilket er en af dens bedste egenskaber. Fordi REM ikke kræver, at noget individ fotograferes to gange, er »kameraafstanden ikke bestemt af målarten«, og mere end én art kan overvåges i samme undersøgelse. Hvad REM til gengæld kræver, er, at kameraerne placeres tilfældigt i forhold til dyrenes bevægelse — ikke på veksler, ikke ved fejesteder, ikke noget sted valgt for at puste tilfældighedsraten op eller ned. Krænk det, og du skævvrider tilfældighedsraten og tæthedsestimatet med den.

Kameraafstand er der, hvor gode intentioner går til grunde, for den »rigtige« afstand vendes på hovedet afhængigt af dit mål.

Hvor mange stationer? Tæthed og antal kameraer

Der er intet universelt svar, men der er gode mål efter formål, og de er mere konkrete end »flere er bedre«.

Rigdom. Den mest direkte empiriske evidens kommer fra Kays et al.s subsampling af 2.225 udsætninger på tværs af 41 globale studieområder. De fandt, at 25-35 kameralokaliteter var nødvendige for præcise estimater af artsrigdom, afhængigt af studiets skala — omkring 35 til storskala-gitre (≥1 km afstand) og 25 til småskala (≤0,2 km) tropiske lokaliteter, med så få som 17-22 tilstrækkelige for de mindst artsrige småskala-tempererede områder. WWF-guiden er mere ligefrem: til rigdom »virker det usandsynligt, at en anstændig stikprøve kunne opnås med mindre end 20 placeringer, og 50 placeringer kunne være et bedre mål«, og stratificerer du, har du brug for 20-50 placeringer pr. stratum. WildCAM's syntese gentager dette — under 20 kameraer er »uanvendeligt til artsrigdoms-undersøgelser, hvor 50 placeringer er et bedre mål«.

Tilstedeværelse. Det er her, stationsantallet bliver brutalt følsomt over for, hvor almindelig din art er. Kays et al. fandt tilstedeværelsespræcisionen »stærkt følsom over for tilstedeværelsesniveauet, med <20 kameralokaliteter nødvendige for præcise estimater af almindelige (ψ>0,75) arter, men mere end 150 kameralokaliteter sandsynligvis nødvendige for sjældne (ψ<0,25) arter«. Næsten halvdelen af én global rovdyranalyse, de citerer, havde en tilstedeværelse under 0,25 — netop de arter, du mest ønsker at overvåge, og netop dem, der kræver 100+ lokaliteter. WWF-guidens generelle anbefaling: et minimum på 40 stikprøveplaceringer til tilstedeværelse, stigende til 100+, hvis du tilføjer kovariater eller jagter en sjælden art. WildCAM operationaliserer det som: 30 lokaliteter til arter med høj detekterbarhed (p ≥ 0,8), 30-60 til mange arter, og »mindst 100 lokaliteter« til sjældne arter med lav tæthed og detektionssandsynligheder under 0,1.

Spørgsmålet om ét vs. flere kameraer. Et fund, der pålideligt overrasker folk: at sætte flere kameraer på hver lokalitet kan betyde lige så meget som at tilføje lokaliteter. O'Connor og kolleger kørte opsætninger med ét, to og fire kameraer på 20 skovklædte lokaliteter og fandt, at firekamera-metoden detekterede 1,25 (53 %) flere arter pr. lokalitet end et enkelt kamera, var den eneste konfiguration, der fuldt ud detekterede det jordlevende samfund, og omtrent fordoblede antallet af lokaliteter, hvor hvidhalet hjort blev registreret. Detektionssandsynligheden for den hvidhalede hjort ved et enkelt kamera var blot 0,179. Deres anbefaling — »mindst 2 vildtkameraer pr. kameralokalitet, sat op i modsatte retninger« — er en billig gardering mod de falske negativer, der ødelægger tilstedeværelses- og rigdomsdata.

SECR-tæthed. Den toneangivende gennemgang fandt en median på 57,5 kamerastationer pr. studie pr. år (gennemsnit ~100, spændvidde 12-849) på tværs af udgivet SECR-arbejde. For jaguarer specifikt konkluderede Tobler og Powell, at et minimum på 40-50 stationer er påkrævet for en pålidelig undersøgelse, »og et større antal stationer ville være ønskeligt« — en tærskel, WildCAM gentager som »det absolutte minimum«. SECR's redning er robustheden: den er »langt mere robust over for et mindre antal kamerastationer end andre tæthedsestimeringsmetoder«.

REM-tæthed. Simuleringsarbejde antyder, at »ca. 60 kameraplaceringer bør samples for at opnå acceptabel præcision (dvs. en variationskoefficient under 0,20)«.

For at gøre afvejningerne konkrete er her, hvordan nogle få af de protokol-grade designs i litteraturen faktisk fordeler kameraerne:

Bemærk, at ForestGEO bevidst kører kameraer ved en tæthed, der er 100 gange højere end TEAM — én fælde pr. 2 ha mod én pr. 2 km² — fordi de besvarer forskellige spørgsmål over forskellige arealer (1 km² intensiv skovsampling mod 120 km² samfundsovervågning). Ingen af dem er »den rigtige«. De er afstemt efter deres formål.

Koordinerede undersøgelser og borgervidenskab lever yderst på dette spektrum: SNAPSHOT USA 2021, en undersøgelse med mange bidragydere på landsplan, samlede 109 vildtkamera-arrays og 1.711 kameralokaliteter til 71.519 kameradøgn, med en indsats pr. array spændende fra 126 til 3.355 døgn. Pointen for enhver, der slutter sig til et sådant netværk, er, at ensartethed på tværs af bidragydere — standardiseret højde, afstand og varighed — er det, der overhovedet gør det muligt at analysere alle de individuelt beskedne arrays sammen.

ForestGEO kører bevidst kameraer ved en tæthed, der er 100 gange højere end TEAM, fordi de besvarer forskellige spørgsmål over forskellige arealer. Ingen af dem er »den rigtige«. De er afstemt efter deres formål.

Hvorfor udstrækningen af dit gitter kan betyde mere end dets tæthed

Sneleopard-studiet er den skrækhistorie, enhver tæthedsundersøger bør have hængende på væggen. Det samme hold undersøgte det samme landskab på to måder: et kompakt array (38 kameraer, ~1 km afstand, 253 km² udstrækning, 15 kameraer/100 km²) og et diffust (44 kameraer, ~5 km afstand, 2.030 km² udstrækning — næsten en størrelsesorden større — ved blot 2 kameraer/100 km²).

Estimaterne adskilte sig ikke bare — det kompakte design gav en tæthed på 0,12 dyr/100 km² mod det diffuse designs 0,534, omtrent fem gange højere i det diffuse layout. Værre endnu: det kompakte array gengav grelt forkert, hvordan kattene faktisk brugte rummet, og pustede bevægelsesparameteren σ̂ op til 12,23 mod 3,27 i det diffuse design. Den lære, forfatterne drager, er den samme, som Tobler og Powell drog for jaguarer, og som den toneangivende gennemgang drog på tværs af arter: »at sample et lille område på størrelse med et enkelt leveområde er underlagt skævheder, der skyldes meget få individer i landskabet med meget lave detektionssandsynligheder«. Til tæthedsarbejde kan et gitter, der er tæt og lille, være langt værre end et, der er spredt og stort. Dæk areal nok til at blotlægge individer nok — det er, mere end at pakke kameraerne sammen, det, der køber dig et forsvarligt estimat.

Til tæthedsarbejde kan et gitter, der er tæt og lille, være langt værre end et, der er spredt og stort.

Varighed: hvor længe hvert kamera skal stå, og hvor længe undersøgelsen skal køre

Der tikker to forskellige ure, og folk blander dem sammen. Det ene er, hvor længe et enkelt kamera bør stå på ét sted. Det andet er den samlede undersøgelseslængde / de samlede kameradøgn. Begge har gode empiriske holdepunkter.

Varighed pr. kamera. Kays et al.s subsampling giver den reneste vejledning, nogen har: at køre et kamera i 2 uger var mest effektivt til at detektere nye arter, men der skulle 3-4 uger til præcise lokale estimater af detektionsraten, »uden gevinster i præcision observeret efter 1 måned«. Deres hovedanbefaling — »kør hvert kamera i 3-5 uger på tværs af 40-60 lokaliteter pr. array« — er nu de facto-standarden for samfundsstudier. Si et al.s intensive toårige studie af et enkelt kinesisk område tilføjer en supplerende regel: nye arter akkumuleres hurtigt de første ~40 dage på en lokalitet, hvorefter raten falder brat, så de foreslår at rotere kameraerne »cirka hver 40. dag« eller efter omkring 20 uafhængige fotografier.

Lokaliteter mod runder — den tilbagevendende dom. Når kameraer er begrænsede (det er de altid), bør du så sample flere lokaliteter i kortere tid eller færre lokaliteter i længere tid? Til rigdom og relativ tæthed er svaret konsistent på tværs af studier: spred dem. Si et al. fandt, at givet det samme samlede antal kameradage »var det bedre at udsætte kameraer på flere lokaliteter i kortere tid på hver lokalitet end at lade kameraerne stå på samme lokalitet« — ved 1.000 kameradage detekterede tre lokaliteter 80 % af arterne, mens 19 lokaliteter detekterede 90 %. Kays et al. når frem til samme konklusion, og WWF-guiden formulerer det som politik: »sample flere placeringer i en kortere periode frem for at sample blot nogle få placeringer i meget lang tid«. (Tilstedeværelse er den delvise undtagelse — for en sjælden, pletvist forekommende art er det stadig bedre at flytte kameraerne og sample flere lokaliteter, men for en almindelig eller en meget dårligt detekterbar art kan det faktisk være mere effektivt at sample færre lokaliteter i længere tid.)

Samlede kameradøgn. Gang målene sammen, og du får et gulv. WWF-guidens regnestykke — 20-50 placeringer × 30 kameradøgn hver — giver 600 til 1.500 kameradøgn til et rigdoms-/diversitetsstudie, med en generel anbefaling om, at »diversitetsstudier bør være på mindst 1.000 kameradøgn«. Si et al.s rarefaktion satte minimummet ved 931 kameradage for at detektere 90 % af de almindelige arter på deres lokalitet, med omkring 8.700 kameradage nødvendige for at detektere alle 10 hjemmehørende arter — en grel illustration af, hvordan den lange hale af sjældne arter får indsatsen til at eksplodere. Burtons gennemgang fandt, at den typiske faktiske indsats var 2.055 kameradage, men markerede, at næsten en tredjedel (28,9 %) af studierne havde færre end 1.000 samlede kameradage, »hvilket sandsynligvis er utilstrækkeligt til at detektere sjældne arter«.

For tæthedsarbejde stiger barren. For relativ tæthed og REM bør et indeks hvile på mere end 10, ideelt mere end 20, fangster — og »for tætheder, der er typiske for mange rovdyr (og de sjældneste hovdyr), vil mindst 2.000 kameradøgn være nødvendige for at opnå 20 fangster«. Den toneangivende SECR-gennemgang fandt en median på 3.124 kameradage pr. år, med 71,6 % af studierne kørende et år eller mindre. Jaguar-undersøgelser balancerer, på grund af lukkethedsantagelsen, på en knivsæg: korte nok til at antage, at populationen ikke har ændret sig, lange nok til at indsamle data, med Tobler og Powells anbefaling om et minimum på 60 dage, ofte 90 eller endda 120 — og en eksplicit afvisning af det almindelige 30-dages vindue som for upræcist.

Ét ædrueligt holdepunkt for, om al denne indsats rent faktisk betaler sig: på tværs af SECR-studier var medianen for variationskoefficienten 30 %, og »75,6 % af studierne rapporterede en CV på ≤40 %, men kun 21 % af studierne rapporterede en CV ≤20 %«. De fleste tæthedsundersøgelser er ikke så præcise, som deres forfattere kunne ønske. Og kun 10,5 % af dem kørte nogen simulering før feltarbejdet for at finde ud af det.

De fleste tæthedsundersøgelser er ikke så præcise, som deres forfattere kunne ønske. Og kun 10,5 % af dem kørte nogen simulering før feltarbejdet for at finde ud af det.

Detektionssandsynlighed er den skjulte variabel bag det hele

Hvis der er én parameter, der stilfærdigt styrer afstand, tæthed og varighed, er det detektionssandsynligheden — chancen for, at du fotograferer en art, givet at den er der. Får du den for lav, mister dine modeller ikke bare præcision, de bryder sammen.

Tærsklen, man skal huske: detektionssandsynligheder under 0,2 »fører ofte til betydelige skævheder og konvergensproblemer, selv i de simpleste enkelt-tilstands-modeller«. Og de metoder, du måtte gribe til for at indfange rigere økologi, gør problemet værre — multistate-tilstedeværelsesmodeller »kræver højere detektionssandsynligheder sammenlignet med enkelt-tilstands-modellerne«, og »antallet af nødvendige lokaliteter var væsentligt højere for multistate-modeller«. Måden, detektion og indsats vejer hinanden op på, er lovmæssig: »de minimalt nødvendige detektionssandsynligheder faldt, efterhånden som antallet af undersøgelser steg, for alle modeller«. Med andre ord kan du købe dig ud af lav detektion med flere besøgsrunder — op til et punkt.

Det er også derfor, syv-dages-runden er så almindelig: Kays et al. definerede detektionssandsynlighed som »sandsynligheden for at detektere en forekommende art i løbet af en syv-dages periode ved en kameralokalitet«, idet de aggregerede daglige data til ugentlige vinduer, så selv sparsomt detekterede arter producerer brugbare detektionshistorikker. At samle detektioner i flerdages-runder er en legitim, gratis håndtag til at løfte detektionssandsynligheden og forbedre modeltilpasningen. Det samme er at udsætte flere kameraer pr. lokalitet. Begge løfter detektionen uden de antagelseskrænkelser, som lokkemad og veksel-målretning indfører — hvilket bringer os til den reelt omstridte del af undersøgelsesdesign.

Placeringsstrategi og målart: den egentlige skillevej

Hvor du retter kameraet — mod en vildtveksel eller mod et tilfældigt punkt — er den beslutning, der splitter faget, for den bytter skævhed mod datamængde, og forskellige arter sidder på hver sin side af den byttehandel.

Evidensen for, at placering skævvrider dine data, er overvældende og konsistent. I Virginia kørte Kolowski og Forrester parrede kameraer og fandt, at detektionssandsynligheden steg 11-33 % for fem arter på vildtveksler mod tilfældige placeringer, og 24,9-38,2 % for gnavere ved liggende stammer; i det mest ekstreme tilfælde loggede en »muse«-kategori 65 fangsthændelser ved stammer mod blot en enkelt fangst ved tilfældige placeringer. Fangstraterne var 1,7 til 9,67 gange højere ved feature-baserede kameraer. I Italien udsatte Greco et al. 60 kameraer pr. strategi og registrerede et gennemsnit på otte arter på vekselnettet mod fire uden for vekslerne, hvor ulv og vildkat hver gav blot fem hændelser uden for vekslerne mod henholdsvis 242 og 80 på vekslerne — og 6 gange mere data i alt på vekslerne. Otte af de 11 testede arter viste højere detektion og tilstedeværelse på veksler.

Så veksler vinder, ikke? Ikke til samfundsarbejde, og her er den skævhed, de smugler ind: sammensætningen forskydes. I det italienske studie udgjorde vilde hovdyr 49 % af den relative tæthed uden for vekslerne, men kun 28 % på vekslerne, mens rovdyr vendte fra 32 % uden for vekslerne til 56 % på vekslerne. Du får ikke bare mere data på veksler — du får et anderledes formet samfund, vægtet mod de arter, der kan lide veksler. Cusack et al.s parrede savanne-eksperiment i Tanzania fastslår hvilke: rovdyr blev betydeligt oftere fanget ved veksel-placeringer i tørtiden, og større arter i regntiden. Deres beroligende fund for rigdoms-undersøgelser: »givet tilstrækkelig stikprøveindsats (>1.400 kameradøgn) er placeringsstrategien usandsynlig til at påvirke slutninger på samfundsniveau« — men under den indsats, og for bestemte trofiske grupper, gør den det i høj grad.

Det er her, to autoritative kilder peger i modsatte retninger, og du skal forstå hvorfor, før du vælger. Til samfunds-, tilstedeværelses- og REM-arbejde er vejledningen eftertrykkelig om, at randomisering er afgørende — ikke-tilfældig placering »krænker et nøgleprincip i stikprøveteorien: den tilfældige udvælgelse af stikprøveenheder«, risikerer at gå glip af hele habitater og arter og skævvrider den relative tæthed mod veksel-brugere. Men til SECR-tæthed af en mærket, sky art anbefaler Tobler og Powell det modsatte — placér kameraerne »på veletablerede veksler og skovveje, der hyppigt benyttes af jaguarer«, fordi »kameraer, der placeres tilfældigt i landskabet, har en meget lav fangstsandsynlighed for jaguarer og vil resultere i dårlige data«. Forsoningen er ikke et kompromis; det er spørgsmålet igen. Om din estimator har brug for en uskæv stikprøve af samfundet (tilfældig) eller nok genfangster af ét sky individ til at tilpasse en rumlig model (veksel), så er den »rigtige« placering reelt forskellig — og blander du veksel- og ikke-veksel-kameraer, registrerer du placeringen som en kovariat, så modellen kan tage højde for den.

Den dybeste lære er, at arter ikke reagerer ensartet på noget af dette. Selv arter af samme størrelse og nær slægtskab reagerer forskelligt på de samme designvalg, hvilket er grunden til, at nogle forfattere argumenterer for, at overvågningsprogrammer bør anvende en »blanding af undersøgelsesdesign-strategier« frem for én standardiseret tilgang, når de bekymrer sig om et mangfoldigt samfund. (Den artikels side var bot-blokeret, da dens kildefil blev hentet, så dette afspejler forskningspakkens registrering af den snarere end tekst, jeg kunne læse direkte.) Det praktiske træk, når du har ét array og flere målarter: design til den sværeste — den sjældneste, mindst detekterbare, mest vidtstrejfende art sætter din afstand og indsats, og de lettere arter kommer med på købet.

Du får ikke bare mere data på veksler — du får et anderledes formet samfund, vægtet mod de arter, der kan lide veksler.

Lokkemad og duftlokkemidler: et fristende håndtag med en brod

Lokkemidler hæver detektionen, punktum. Spørgsmålet er, hvad de koster dig. I en test ved 844 stationer på tværs af Alberta gav duftlokkemiddel en stærk positiv effekt på rovdyr generelt (β = 0,75) og en meget stærk effekt på fiskermår (β = 2,23) — men ingen effekt på grå ulv (β = -0,01, p = 0,973) og ingen på byttedyr eller hovdyr. Det er fælden: lokkemiddel hjælper nogle arter, ignorerer andre og »kan derfor indføre ukendt skævhed i slutninger på tværs af flere arter«, hvilket betyder, at undersøgelser med flere arter »må tage højde for duftlokkemidlets variable effekt«.

Den protokol-grade dom afspejler det. WWF-guiden siger ligeud, at »brugen af lokkemidler (lokkemad og duftlokkemidler) ikke anbefales i formelle vildtkamera-undersøgelser, medmindre der er meget tungtvejende grunde til at bruge dem, og det er muligt at kontrollere for deres effekter«. TEAM bruger slet ikke lokkemad. Nuancen fra tilstedeværelses-simuleringssiden: lokkemad og veksel-målretning bliver udbredt brugt til at skubbe detektionen over det farlige gulv på 0,2, og gevinsten i modelpræstation kan være skævheden værd — men dataaggregering og flere kameraer pr. lokalitet opnår det samme løft »uden nødvendigvis at krænke modelantagelser«, så grib til dem først. Bruger du lokkemad, så standardisér det benhårdt og registrér det som metadata, så det kan modelleres, ikke ignoreres.

De faldgruber, der reelt ødelægger datasæt

Når trådene samles, er her, hvor design af vildtkamera-undersøgelser oftest går galt — og hver eneste af disse er en designbeslutning, ikke et felt-uheld:

• Intet sandsynlighedsbaseret design. De 40,2 % af studier, der placerer kameraerne opportunistisk, kan ikke generalisere ud over de præcise steder, de samplede. Randomisér, eller stratificér og randomisér inden for strata.
• For lille indsats til sjældne arter. Under 1.000 kameradøgn er sandsynligvis utilstrækkeligt til at detektere de sjældne arter, der betyder mest, og sjældne arter med lav tilstedeværelse kan kræve 100-150+ lokaliteter.
• Et gitter for lille til leveområdet. Til tæthed bærer en kamerapolygon mindre end ~ét leveområde en positiv skævhed for hver eneste testet metode.
• At behandle ét kamera pr. lokalitet som nok. Enkeltkameraer går glip af detektioner, som en fordobling til to modstillede kameraer ville fange, hvilket forvrænger tilstedeværelse og rigdom.
• At ignorere sæsonbestemthed. Kays et al. fandt, at 37-50 % af arterne svingede betydeligt i tilstedeværelse eller detektion hen over året, hvor tempererede arter varierede i relativ tæthed med en gennemsnitlig faktor på 4-5 mellem sæsoner. Et øjebliksbillede fra én sæson er ikke året. Vælg dit vindue bevidst, og sammenlign aldrig på tværs af sæsoner uden at tage højde for det.
• At forveksle din »lokalitet«. Det samme ord dækker et kameras detektionszone og en gittercelle på 10 km², og tilstedeværelse betyder forskellige ting på hver skala. Definér det.
• Ikke at simulere først. Kun ~10 % af SECR-studierne kørte en styrkeanalyse før feltarbejdet — den billigste forsikring mod et præcisionsfattigt resultat, der findes der.

Uanset hvad du bruger, så dokumentér selve designet som strukturerede metadata — kamerahøjde og -retning, afstand, varighed, lokkemad, detektionszonens egenskaber — for et datasæt, hvis design ikke er registreret, kan ikke genanalyseres eller samles med nogen andens. Standarder som Camtrap DP findes netop, for at undersøgelsesdesignet bliver en del af dataene og ikke tabt institutionel hukommelse. Vil du dybere ned i en enkelt beslutning, er WWF's best practice-guide stadig den enkeltvis mest komplette reference, og Kays et al.-artiklen er den empiriske rygrad for »hvor mange, hvor længe«-tallene. Sådan undgår du, at dit vildtkamera bliver stjålet: låse, bokse og klog placering

Ofte stillede spørgsmål