Belegungsmodelle für Fotofallen: Wenn eine leere Kamera nicht bedeutet, dass das Tier weg ist

Du hast drei Wochen lang eine Kamera an einem Bergrücken laufen lassen und nie einen Luchs fotografiert. Gibt es keinen Luchs, oder hast du ihn einfach verpasst?

Diese Frage ist das ganze Spiel, und die meisten Auswertungen beantworten sie falsch, weil sie unterstellen, die Antwort sei offensichtlich. Ist sie nicht. Ein leerer Nachweiseintrag an einem besetzten Standort ist kein Fehler, sondern das erwartbare Ergebnis einer simplen Tatsache: Deine Kamera erfasst nicht alles, was vorbeiläuft, und ein Tier, dessen Streifgebiet weit größer ist als das Sichtfeld deiner Kamera, wird die meiste Zeit irgendwo verbringen, wo deine Kamera nicht hinschaut. Behandelst du diesen leeren Eintrag als echte Abwesenheit, hast du einen Fehler in alles eingebacken, was danach kommt: in deine Verbreitungskarte, dein Habitatmodell, deine Schlussfolgerung „die Art ist aus diesem Einzugsgebiet verschwunden". Der höfliche, präzise Name für diese Art von Eintrag ist nicht „Abwesenheit". Gary Whites Notizen zur Belegung sagen es unverblümt: Das sind Anwesenheits-/Scheinabwesenheitsdaten, und „eine Art nicht nachzuweisen, bedeutet nicht ihre Abwesenheit".

Die Belegungsmodellierung (occupancy modeling) ist genau der Rahmen, der das ernst nimmt. Statt Tiere zu zählen, stellt sie eine besser beantwortbare Frage — ist dieser Standort besetzt oder nicht? — und schätzt zwei Dinge zugleich: ψ (Psi), die Wahrscheinlichkeit, dass ein Standort besetzt ist, und p, die Wahrscheinlichkeit, dass du die Art bei einer gegebenen Erhebung nachweist, sofern sie da ist. Der Trick, der das funktionieren lässt, ist fast peinlich einfach: Erhebe jeden Standort mehr als einmal. Weist du die Art auch nur einmal nach, weißt du, dass dieser Standort die ganze Zeit besetzt war — also war jede leere Erhebung dort eine Fehlmessung, keine Abwesenheit — und die Rate dieser Fehlmessungen ist genau die Information, die du brauchst, um p zu schätzen und dann ψ für all die Standorte zu korrigieren, an denen du gar nichts gesehen hast.

Dies ist ein Methodentext für Menschen, die ihn tatsächlich anwenden werden: Forschende, Wild- und Wildtiermanager sowie das ernsthafte Ende von Citizen Science. Wir bauen auf, warum naive Belegung verzerrt ist, wie die Einsaison- und die dynamischen Modelle funktionieren, was die Annahmen wirklich von dir verlangen, wo Fotofallen das Modell speziell stolpern lassen und zu welcher Software du greifen solltest. Es ist ein enger Verwandter zweier anderer Fragen — wie du deine Kameras überhaupt platzierst und wie du aus Nachweisen eine Tierdichte machst — aber eine eigenständige, und dabei belassen wir es. Willst du die Ebene des Array-Designs, siehe; willst du eine Zahl mit Tieren pro km², siehe.

Warum „naive Belegung" die falsche Startlinie ist

Fang mit der Versuchung an, die jeder verspürt. Du hast ein Raster aus Kamerastandorten und für jeden einen Eintrag: Ist die Zielart aufgetaucht oder nicht? Der naheliegende Schritt ist, den Anteil, an dem sie auftauchte, zu deiner Belegungsschätzung zu erklären. Das ist die naive Belegung — und sie ist jedes Mal nach unten verzerrt, um einen Betrag, den du nicht sehen und ohne mehr Information nicht eingrenzen kannst.

Hier ist der Mechanismus, noch ohne Mathematik. Angenommen, eine Art besetzt tatsächlich 60 deiner 100 Standorte. An den 60 besetzten Standorten weist deine Kamera sie an, sagen wir, 40 nach und verpasst sie an den anderen 20. Deine naive Schätzung ist 40/100 = 0,40. Die Wahrheit war 0,60. Du hast nicht die Belegung gemessen, sondern die Belegung mal Nachweisbarkeit, ineinander verheddert, und das Produkt berichtet, als wäre es das, was dich interessiert. Je niedriger deine Nachweiswahrscheinlichkeit, desto größer die Lücke — und Nachweiswahrscheinlichkeiten sind niedrig. In einer quantitativen Übersicht von 537 ökologischen Arbeiten fanden Kellner und Swihart, dass unter den Studien, die es überhaupt berichteten, 70 % Nachweisschätzungen pro Erhebung unter 0,5 hatten. Die meisten Erhebungen verpassen die Art die meiste Zeit häufiger, als sie sie erwischen.

Es wird schlimmer, sobald du irgendetwas Interessantes mit den Daten machst. Die klassische Demonstration ist Gu und Swiharts „Absent or undetected?", die zeigte: Wenn deine Wahrscheinlichkeit, eine Art zu entdecken, selbst mit einer Habitatvariable korreliert — und das tut sie meist, denn Tiere sind in manchen Deckungstypen leichter zu fotografieren als in anderen — dann sickert diese Korrelation in deine geschätzten Habitatkoeffizienten und verzerrt sie, je nach den beteiligten Vorzeichen in die eine oder andere Richtung. In ihrer Illustration mit Kleinsäugerfängen reichte der Nichterfassungsfehler nach fünf Tagen Beprobung über sieben Arten von 0 % bis 23 %. Das Modell, das dir sagt „diese Art liebt dichtes Gestrüpp", könnte dir also nichts weiter sagen als „diese Art ist in dichtem Gestrüpp leichter zu fangen". Dieselben Daten, gegenteilige Bedeutung.

Eine naive Belegungsschätzung ist keine Belegung — sie ist Belegung mal Nachweisbarkeit, berichtet, als wäre die zweite Zahl 1.

Das ist das Argument für die Zusatzarbeit. Nun die Arbeit selbst.

Das Einsaisonmodell, aufgebaut aus einem Standort

Alles beginnt mit dem statischen Einsaisonmodell: eine Momentaufnahme, während der wir annehmen, dass sich der Belegungszustand eines Standorts nicht ändert. Wähle deine Standorte, erhebe jeden mehrmals innerhalb eines Fensters, das kurz genug ist, dass nichts hinein- oder hinauszieht, und notiere, was du gesehen hast, als Nachweisgeschichte — eine Kette aus Einsen (nachgewiesen) und Nullen (nicht nachgewiesen), eine Ziffer pro Erhebung.

Das Modell hat zwei bewegliche Teile. Ein Standort ist mit Wahrscheinlichkeit ψ besetzt, oder mit Wahrscheinlichkeit 1−ψ nicht. Ist er besetzt, weist du die Art bei jeder Erhebung mit Wahrscheinlichkeit p nach oder verpasst sie mit 1−p. Und — das ist die tragende Annahme, auf die wir zurückkommen — ist der Standort unbesetzt, kannst du die Art überhaupt nicht nachweisen. Aus diesen Bausteinen kannst du die Wahrscheinlichkeit jeder beliebigen Nachweisgeschichte aufschreiben. Die durchgerechnete Version im MARK-Lehrbuch ist die klarste, die ich kenne. Für die Geschichte „01" (bei Erhebung eins verpasst, bei Erhebung zwei nachgewiesen) ist die Wahrscheinlichkeit:

ψ (1 − p₁) p₂ — der Standort ist besetzt, du hast die Art beim ersten Mal verpasst, beim zweiten Mal erwischt.

Die interessante ist die Nur-Nullen-Geschichte, „00". Du hast nichts gesehen. Heißt das, der Standort ist leer? Das Modell weigert sich, das anzunehmen. Seine Wahrscheinlichkeit ist:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Lies das laut vor, denn es ist die ganze Philosophie in einer Zeile: Entweder war der Standort besetzt und du hast die Art bei beiden Erhebungen verpasst (der linke Term), oder der Standort war wirklich nicht besetzt (der rechte Term). Das „+" ist ein logisches ODER. Ein leerer Eintrag ist mit beiden Geschichten vereinbar, und das Modell hält beide am Leben und gewichtet sie danach, wie oft du die Art an den Standorten nachweist, an denen du sie tatsächlich gesehen hast. Daher kommt die Korrektur. Führe diese Likelihood über all deine Standorte gleichzeitig aus, und du erhältst ein ψ, das die Tiere berücksichtigt, die du nicht fotografiert hast.

Vergleiche das mit dem alten Weg — logistische Regression von Anwesenheit auf Habitat —, der „annimmt, dass eine Art an Standorten abwesend war, an denen sie nicht nachgewiesen wurde, und deren Schlussfolgerungen daher bekanntermaßen verzerrt sind, wenn die Wahrscheinlichkeit, eine Art an einem Standort nachzuweisen, kleiner als eins ist". Die Belegungsmodellierung ist im Kern genau diese eine Korrektur, ehrlich angewandt.

In R ist das die Funktion `occu()` im Paket unmarked: Du baust aus deiner Nachweismatrix ein `unmarkedFrameOccu`-Objekt und passt es mit einer Doppelformel an — ein Teil für den Nachweis, einer für die Belegung. Wir kommen auf die Software zurück. Zuerst zu den Daten, die diese Modelle fressen, denn bei Fotofallen verstecken sich dort die eigentlichen Entscheidungen.

Aus einer Kamerarolle eine Nachweisgeschichte machen

Eine Vogelerhebung kommt vorverpackt in Anlässen: Du hast das Feuchtgebiet Dienstag, Donnerstag und Samstag besucht — drei Erhebungen. Eine Fotofalle funktioniert nicht so. Sie läuft wochenlang durchgehend und übergibt dir einen Stapel zeitgestempelter Fotos. Bevor ein Belegungsmodell das anfassen kann, musst du den Einsatz selbst in diskrete Anlässe zerschneiden, und wie du zerschneidest, verändert deine Antwort.

Das Werkzeug, das die meisten nutzen, ist camtrapRs `detectionHistory()`, das deine Einträge und eine `occasionLength` nimmt und die Nachweis-/Nichtnachweismatrix erzeugt, die unmarked oder seine bayesschen Verwandten erwarten — und, wichtig, dich den aktiven Aufwand der Kamera mitführen lässt, sodass eine Station, die zehn Tage lief, nicht wie eine behandelt wird, die dreißig lief. Die Ermessensentscheidung ist die Länge der Anlässe, und Sollmanns Einführung legt den Zielkonflikt sauber dar:

• Zu kurz (etwa tägliche Anlässe) und deine Matrix füllt sich mit Nullen. Eine Wand aus Nullen treibt die Nachweisschätzung gegen null und kann das Modell numerisch zum Absturz bringen.
• Zu lang und du wirfst Information weg — fünfzehn getrennte Fotos eines Fuchses an einem Standort kollabieren zu einer einzigen „1", und du hast alles verworfen, was dir die Wiederholungsbesuche über p sagen sollten.
• Halte sie konstant. Die Nachweiswahrscheinlichkeit steigt mit der Länge der Anlässe; unterscheiden sich also deine Anlässe (oder der Aufwand innerhalb ihrer), musst du die Anlasslänge oder den Aufwand als Kovariate auf den Nachweis legen oder ein verzerrtes p in Kauf nehmen.

Es gibt einen subtileren, kameraspezifischen Fallstrick, den eine Arbeit von Goldstein und Kollegen aus dem Jahr 2024 mit einer Zahl belegt hat: zeitliche Autokorrelation. Ein Tier, das heute an einer Kamera fotografiert wird, wird mit höherer Wahrscheinlichkeit auch morgen dort fotografiert — es nutzt diese Stelle. Standard-Belegungsmodelle nehmen an, dass deine wiederholten Nachweise unabhängig sind, und wenn sie es nicht sind, liest das Modell die geballten Nachweise als höhere Nachweisrate, als sie tatsächlich ist, und schließt dann, dass Standorte ohne Nachweise wahrscheinlich leer sind — was die Belegung nach unten verzerrt. Ihr Fazit ist ernüchternd: Autokorrelation sei „wahrscheinlich in Fotofallendaten weit verbreitet, und viele frühere Belegungsstudien auf Basis von Fotofallendaten haben die Belegungswahrscheinlichkeiten möglicherweise systematisch unterschätzt". Ihre Lösungen sind praktisch und einprägenswert: Teste darauf mit einem Join-Count-Anpassungstest; ist sie da, verwende größere Nachweisfenster, um die Ballung aufzusaugen; und versuche nicht, sie durch Lücken zwischen den Anlässen zu beheben — Lücken entfernen die zeitliche Struktur nicht und werfen bloß Daten weg.

Zerschneidest du deinen Kameraeinsatz zu fein in Anlässe, ertrinkt das Modell in Nullen; zu grob, und du wirfst die wiederholten Nachweise weg, die es zum Funktionieren bringen.

Die Nachweiswahrscheinlichkeit ist nie konstant — also modelliere sie

Das naive Bild nimmt eine Nachweiswahrscheinlichkeit für alles an. Die Realität, aus derselben Übersicht von 537 Arbeiten, ist: Wo Forschende sich die Mühe machten zu prüfen, ob der Nachweis konstant war, variierte er in 86 % der Fälle signifikant. Wetter, Jahreszeit, die Position der Kamera an oder abseits eines Wildwechsels, die beobachtende Person, der Mond — all das bewegt p. Die gute Nachricht: Der Rahmen wurde genau dafür gebaut. Du kannst die Belegung ψ als Funktion von Standortkovariaten modellieren (Habitat, Höhenlage, Entfernung zu einer Straße) und den **Nachweis p als Funktion von Standort- und Erhebungskovariaten** (Aufwand, Temperatur, Jahreszeit).

Eine Eigenheit, die es zu verinnerlichen lohnt: Weil die Belegung innerhalb einer Saison als fix angenommen wird, sollten die Kovariaten, die du auf ψ legst, Dinge sein, die sich innerhalb dieser Saison nicht ändern — standortbezogen, zeitkonstant. Der Nachweis p dagegen kann problemlos zeitveränderliche Kovariaten aufnehmen, weil du ihn Erhebung für Erhebung misst.

Dann gibt es eine Art von Nachweisheterogenität, die du meist nicht sehen und nicht in eine Kovariate stecken kannst: Variation, die davon getrieben wird, wie viele Tiere tatsächlich an einem Standort sind. Ein Standort mit acht ansässigen Füchsen wird „einen Fuchs" weit bereitwilliger fotografieren als ein Standort, an dem einer durchzieht. Royle und Nichols machten aus dieser Störgröße ein Modell. Ihre Schlüsselerkenntnis ist, dass Variation in der Abundanz Variation in der Nachweiswahrscheinlichkeit erzeugt, über eine saubere Beziehung — die Chance, die Art an einem Standort nachzuweisen, ist eins minus der Chance, jedes einzelne dort anwesende Individuum zu verpassen:

pᵢ = 1 − (1 − r)^{Nᵢ}, wobei r die individuenbezogene Nachweiswahrscheinlichkeit und Nᵢ die lokale Abundanz an Standort i ist.

Mehr Tiere, höhere standortbezogene Nachweisbarkeit. Dreht man es um, lässt sich aus nichts als wiederholten Nachweis-/Nichtnachweisdaten eine grobe Abundanzschätzung ableiten, ohne je ein Individuum zu markieren — das ist das Royle-Nichols-Modell. Die tiefere Lehre, in Royles und Nichols' eigenen Worten: Diese Art von Heterogenität zu ignorieren, sei „eine faktische Annahme konstanter Abundanz zwischen den Standorten", was man selten meint. Royles spätere Arbeit verallgemeinerte den Punkt: Wenn der Nachweis zwischen besetzten Standorten variiert und du ihn unmodelliert lässt, ist deine Belegungsschätzung nach unten verzerrt. Nachweisheterogenität ist keine Fußnote. Sie ist der zweitgrößte Weg, auf dem diese Modelle danebengehen — gleich nach dem Vorwand, der Nachweis sei überhaupt perfekt.

Wenn sich die Belegung ändert: das dynamische Modell

Ein Einsaisonmodell ist ein Foto. Manchmal brauchst du den Film — breitet sich die Art in neues Land aus oder erlischt sie an Orten, an denen sie früher war? Das ist das dynamische Mehrsaisonmodell, MacKenzie und Kollegen' Erweiterung aus dem Jahr 2003 und ein Zweig einer Modellfamilie, die inzwischen bis zu mehreren Zuständen, Gemeinschaften und Falsch-Positiven gewachsen ist. Es fügt zwei Parameter hinzu, die den ganzen Sinn ausmachen:

• Kolonisierung (γ, Gamma): die Wahrscheinlichkeit, dass ein in einer Saison unbesetzter Standort in der nächsten besetzt wird.
• Lokales Aussterben (ε, Epsilon): die Wahrscheinlichkeit, dass ein besetzter Standort unbesetzt wird.

Die Struktur spiegelt Pollocks Robust Design: Du hast Primärperioden (die „Saisons", zwischen denen sich die Belegung ändern kann) und innerhalb jeder Sekundärerhebungen (deine Wiederholungsbesuche, während derer sie sich nicht ändern kann). Eine Warnung zum Wort „Saison", denn es bringt Leute durcheinander: In der Belegungsmodellierung meint es nicht Winter oder Sommer. Wie eine Raubtierstudie glasklar feststellt: „Im Belegungsmodell meint das Wort ‚Saison' nicht notwendigerweise die geografische Jahreszeit … es meint bloß den Zeitraum, in dem die Daten erhoben wurden". Deine Saisons könnten drei aufeinanderfolgende Jahre sein oder Sommer-und-Winter, über ein Jahrzehnt wiederholt. Dem Modell ist egal, wie du sie nennst; ihm ist wichtig, dass die Belegung innerhalb jeder geschlossen und zwischen ihnen offen ist.

Zwei Fotofallenstudien zeigen, wie das Modell sich seinen Lohn verdient. In einer dreijährigen Erhebung von Nordchinesischem Leoparden, Bengalkatze und Rotfuchs in einem chinesischen Naturschutzgebiet nutzte das Team ein dynamisches Modell, um zu fragen, ob die Belegung jedes Raubtiers stabil oder in Bewegung war, und band Kolonisierung und Auslöschung an Höhenlage und menschliche Störung — und fand die Belegung recht stabil, wobei die Höhenlage mehr zählte als die Entfernung zu Dörfern oder Straßen. Auch beim zentralen Spannungsfeld waren sie offen: Dynamische Modelle nehmen an, dass Standorte während der Erhebungen geschlossen sind, aber „zwischen den Saisons ‚offen' sein können", und diese Offenheit „führt Heterogenität ein, die … Schätzverzerrung verursacht", die Kovariaten nur teilweise auffangen können.

Das lehrreichste Beispiel ist ein elfjähriger Fotofallendatensatz zu acht Arten aus dem nordwestlichen Anatolien, Türkei. Sie gliederten ihn in 11 Sommer- und 11 Wintersaisons — 22 Primärperioden — und modellierten, wie sich die Standortnutzung jeder Art mit Jahreszeit, Höhenlage und Bevölkerungsdichte verschob, und passten das Ganze in einem bayesschen Rahmen mit JAGS an und prüften die Anpassung mit einem bayesschen p-Wert. Ihr Befund war ein sauberes Argument dafür, überhaupt dynamisch zu gehen: Jede Art zeigte Saisonalität in der Habitatnutzung, aber die Stärke davon unterschied sich je nach Art, sodass eine einzige jährliche Momentaufnahme genau das Muster weggemittelt hätte, hinter dem sie her waren. Wenn deine Tiere sich innerhalb des Jahres umherbewegen — und die meisten tun das — belügt dich ein statisches Modell heimlich über ein bewegliches Ziel.

„Saison" in einem Belegungsmodell ist nicht Winter oder Sommer — es ist bloß das Fenster, in dem du festlegst, dass die Belegung stillsteht.

Die Annahmen, und was sie dich kosten

Hier trennen sich gute Praktiker von Cargo-Kult-Nachahmern. Belegungsmodelle ruhen auf einer kurzen Liste von Annahmen, und die Disziplin besteht darin zu wissen, welche du gerade biegst und was das mit deiner Antwort macht. Das MARK-Kapitel führt fünf auf; die buchlange Abhandlung, wenn du jede Nuance und die Beweise dahinter willst, ist MacKenzie und Kollegen' Occupancy Estimation and Modeling.

Drei davon verdienen für jeden, der mit Kameras arbeitet, einen genaueren Blick.

Geschlossenheit und der ehrliche Rückzug auf „Nutzung". Eine Kamera überwacht ein paar Quadratmeter eines Wildwechsels; das Streifgebiet eines Wolfs umfasst Hunderte von Quadratkilometern. Das Tier bewegt sich ständig in und aus dem Sichtfeld deiner Kamera, was die Geschlossenheit streng verletzt. Die reife, ehrliche Antwort des Feldes ist, den Parameter neu zu deuten: Wenn eine weiträumig streifende Art auf diese Weise zufällig verfügbar ist, sind deine Belegungsschätzungen weiterhin unverzerrt, aber ψ sollte als die Wahrscheinlichkeit gelesen werden, dass der Standort von der Art „genutzt" wird, nicht streng besetzt. Die türkische Studie tat genau das und sagte es unumwunden — weil ein Kamerastandort „nur einen kleinen Teil des Streifgebiets eines Individuums abdecken kann", schätzt ihre Analyse „die Wahrscheinlichkeit der Nutzung eines Standorts statt der Belegung", weshalb sie durchweg von „Nutzung" schrieben und das lokale Aussterben in „Verlassen" umbenannten. Das ist keine Schwäche, die man verstecken müsste; es ist die korrekte Deutung, und sie auszusprechen ist das Kennzeichen von jemandem, der das Modell versteht.

Unabhängigkeit und die Kamera-Array-Falle. Hier ist eine, die speziell Kameraleute beißt. Die MARK-Autoren geben das exakte Szenario: „Wenn Fotofallen nahe beieinander platziert sind, kann ein einzelnes Individuum während einer gegebenen Woche (Erhebung) an mehreren Kameras (Standorten) nachgewiesen werden". Passiert das, sind deine Standorte nicht unabhängig — dasselbe Tier erzeugt „Nachweise" an mehreren von ihnen —, sodass die Anzahl der Kameras die Zahl der unabhängigen Einheiten in deiner Studie überschätzt. Der Schaden ist heimtückisch: Deine Belegungsschätzung bleibt oft ungefähr richtig, aber deine Unsicherheit wird unterschätzt — Konfidenzintervalle zu schmal, ein trügerisches Gefühl von Präzision. Die Lösung liegt in der Entwurfsphase: Kameras weit genug auseinander platzieren, damit Unabhängigkeit gilt. (Was eine andere Frage ist als die in diesem Artikel, und eine gute —.)

Keine Falsch-Positiven, und warum KI den Einsatz erhöht. Jedes Modell oben nimmt an, dass die Art, wenn du sie registriert hast, wirklich da war. Standard-Belegungsmodelle verrenken sich für falsche Negative — ein anwesendes Tier zu verpassen —, nehmen aber an, dass falsche Positive nie vorkommen. Sie kommen vor. Miller und Kollegen bauten das grundlegende Modell zur Behandlung beider Fehlertypen, nachdem kontrollierte Experimente gezeigt hatten, dass selbst hochtrainierte Beobachter Arten als anwesend fehlidentifizieren, wenn sie abwesend sind. Ihre Warnung ist scharf: „Die Verzerrung in Schätzern von Belegung, Kolonisierung und Aussterben kann gravierend sein, wenn Falsch-Positive auftreten", und unmodellierte Fehlidentifikation überschätzt die Belegung. Das ist heute bedeutsamer als zur Zeit der Niederschrift, weil automatische Artenklassifizierer genau diesen Fehler machen — einen Kojoten selbstbewusst als Wolf, einen Rotluchs als Luchs zu labeln. Ein fehlklassifizierter Nachweis ist ein Falsch-Positiv im technischen Sinne, und fütterst du eine ungeprüfte, automatisch gelabelte Nachweisgeschichte direkt in ein Belegungsmodell, modellierst du womöglich die Fehler des Klassifizierers als Arealausweitung. Der verteidigbare Arbeitsablauf, auf den Millers Rahmen zeigt, ist, eine Teilmenge geprüfter Nachweise zu behalten — einen menschlich bestätigten Typ, für den Falsch-Positive als ausgeschlossen gelten dürfen — und das Modell sich darauf stützen zu lassen.

Bei weiträumig streifenden Tieren an Kameras schätzt du selten strenge Belegung — du schätzt Standortnutzung, und die ehrlichen Arbeiten sagen das auch.

Mehr als eine Art zugleich

Hast du ein Kameraraster, hast du fast nie nur eine Art — du hast eine Gemeinschaft, die meisten zu selten fotografiert, um sie einzeln zu modellieren. Multi-Arten-(Gemeinschafts-)Belegungsmodelle bündeln Information über Arten hinweg, sodass die datenreichen den datenarmen beim Schätzen helfen, während jede weiterhin für ihre eigene Nachweiswahrscheinlichkeit korrigiert wird. Rich und Kollegen' Studie einer Säugetiergemeinschaft im nördlichen Botswana ist ein gutes Aushängeschild: 44 Arten über 6.607 Fallennächte, eine mittlere Vorkommenswahrscheinlichkeit von 0,32 und eine Karte, welche Habitate und Schutzgebiete die höchste Vielfalt bargen — und das alles unter Berücksichtigung dessen, dass verschiedene Arten mit sehr unterschiedlichen Raten fotografiert werden.

Der ehrliche Vorbehalt kommt von Guillera-Arroita und Kollegen: Gemeinschaftsmodelle können den Artenreichtum schätzen, einschließlich einer Vermutung zu nie nachgewiesenen Arten, aber diese Vermutung über die Unnachgewiesenen ruht stark auf Modellstruktur und Annahmen statt auf Daten, die du tatsächlich erhoben hast — deute Reichtumszahlen auf Gemeinschaftsebene also mit angemessener Demut. Das Modell ist mächtig; es ist keine Glaskugel für Arten, die deine Kameras nie sahen.

Wie viele Besuche, bevor „abwesend" etwas bedeutet?

Das ist die Frage, die Manager tatsächlich stellen: Ich habe erhoben und nichts gefunden — kann ich jetzt sagen, die Art ist nicht hier? Die Belegungsantwort ist erfrischend konkret: „Abwesend" kannst du nie mit Sicherheit sagen, aber du kannst die Wahrscheinlichkeit, eine anwesende Art verpasst zu haben, so klein machen, wie du willst, indem du Nachweischancen stapelst. Ist dein Nachweis pro Erhebung p, dann ist die Wahrscheinlichkeit, dass du einen besetzten Standort über k unabhängige Erhebungen hinweg verpasst hättest, (1−p)^k — ein kleines p heißt bloß, du brauchst mehr k. Die Literatur zum Erhebungsdesign geht das praktisch von hinten an: Entscheide, wie sicher du sein musst, und teile dann genug Besuche und Aufwand pro Besuch zu, um deine kumulative Nachweiswahrscheinlichkeit darauf zu heben. Bei Kameras heißt „mehr Besuche" meist „lass sie länger draußen", was der billigste Regler ist, den du hast. Und du brauchst nicht immer eine eigens dafür angelegte Erhebung: Wevers und Kollegen bauten Verbreitungsmodelle für Wildschwein und Reh im Schweizer Jura aus zufälligem Fotofallen-„Beifang" — Nachweisen, die sich während winterlicher Wildtiererhebungen mit anderem Ziel anhäuften —, indem sie zuerst die Nachweisbarkeit modellierten und dann dafür korrigierten. Die Nachweise, die du ohnehin schon hast, können oft eine Belegungsfrage beantworten, solange du berücksichtigst, wie unvollkommen du sie erhoben hast.

Und wenn viel auf dem Spiel steht — eine bedrohte Art, eine Entscheidung über ein kritisches Habitat —, ist die konservative Haltung die, für die Bennett und Kollegen plädieren: Weil unvollkommener Nachweis die Norm ist und uns für die meisten prioritären Arten gute Nachweisbarkeitsschätzungen fehlen, „sollte Abwesenheit in Erhebungen nur als Hinweis gewertet werden", und kritisches Habitat sollte als besetzt bewirtschaftet werden, selbst wenn die Anwesenheit nicht bestätigt ist. Eine Nichterfassung ist Indiz, nicht Beweis, und wie stark dieses Indiz ist, hängt ganz davon ab, wie gründlich du gesucht hast.

Du kannst nie beweisen, dass eine Art abwesend ist — nur die Chance, sie verpasst zu haben, so klein machen, wie du bereit bist, dafür zu arbeiten.

Die Software, kurz

Du musst keine Likelihood von Hand codieren. Das Ökosystem ist ausgereift, und welches Werkzeug du wählst, hängt vor allem davon ab, wie viel du codieren willst und wie groß oder komplex dein Problem ist.

Eine typische Fotofallen-Pipeline läuft camtrapR → unmarked (oder ubms / spOccupancy), mit PRESENCE als No-Code-Alternative. Lernst du den Rahmen von Grund auf, ist das USGS-Paket `occupancyTuts` eine wirklich gute Einstiegsrampe: 28 interaktive Tutorials zu Einsaison-, dynamischen, Studiendesign- und den Ableger-Modellen, mit Videos und Übungen.

Eine leise Anmerkung zum Arbeitsablauf, denn sie ist der Engpass, bevor irgendeine dieser Softwares läuft: Belegungsmodelle brauchen saubere Nachweisgeschichten, und der langsame Teil ist fast immer das Sortieren tausender Fotos, um die Handvoll mit deiner Zielart darin zu finden — und sie nicht falsch zu labeln, was, wie wir gesehen haben, ein Falsch-Positiv ist, das das Modell für bare Münze nimmt.

Belegung ist eine echte Größe — mach nicht heimlich Abundanz daraus

Eine abschließende Disziplin, denn sie ist der häufigste Missbrauch. Belegung ist eine legitime, nützliche Größe für sich — der Anteil genutzter Standorte, wie er sich mit dem Habitat verschiebt, wie er sich über die Jahre ändert. Was sie nicht ist, ist ein Stellvertreter für Abundanz. Sollmann ist unmissverständlich: „Belegung sollte nicht als Index für Abundanz fehlgedeutet werden", weil die Beziehung zwischen beiden von der Streifgebietsgröße und dem Verhalten einer Art abhängt. Ein Standort kann „besetzt" anzeigen, ob ihn ein Tier oder fünfzig nutzen. Ist die Zahl, die du tatsächlich brauchst, Tiere pro Quadratkilometer, ist Belegung das falsche Modell, und du willst stattdessen die Dichtefamilie. Nutze Belegung für das, worin sie brillant ist — wo eine Art vorkommt und wohin sie sich bewegt — und lass es dabei bewenden.

Häufig gestellte Fragen