Untersuchungsdesign für Fotofallen: Abstand, Dichte und Dauer

Hier ist die unbequeme Wahrheit, auf die das meiste Untersuchungsdesign für Fotofallen hinausläuft: Abstand, Dichte und Dauer sind nicht drei voneinander unabhängige Regler, die du nach Belieben einstellst. Sie ergeben sich alle aus einer Entscheidung, die du triffst, bevor eine einzige Kamera das Auto verlässt — was genau willst du eigentlich schätzen? Artenreichtum, Vorkommen (Occupancy), relative Häufigkeit und Dichte verlangen jeweils ein anderes Kameranetz, eine andere Anzahl von Standorten und eine andere Einsatzdauer, und ein Design, das für das eine hervorragend ist, kann für das andere klammheimlich nutzlos sein.

Das klingt selbstverständlich. Ist es offensichtlich nicht. Als Burton und Kollegen 266 zwischen 2008 und 2013 veröffentlichte Fotofallen-Studien auswerteten, verwendeten 40,2 % überhaupt kein wahrscheinlichkeitsbasiertes Stichprobendesign und verließen sich auf opportunistische oder gezielte Platzierung, und weitere 21,4 % machten fast keine Angaben zum Stichprobendesign. Weniger als ein Drittel erwähnte ausdrücklich die Annahmen räumlicher und zeitlicher Unabhängigkeit, auf denen ihre Analysen beruhten. Die Kameras funktionierten einwandfrei. Die Designs konnten in vielen Fällen die Schlussfolgerungen nicht tragen, die die Autoren daraus zogen.

Bevor wir also zu Zahlen kommen — und es folgen gute, konkrete Zahlen weiter unten —, verinnerliche die Reihenfolge der Schritte. Wähle die Frage. Lass die Frage den Abstand relativ zum Streifgebiet deiner Zielart festlegen. Lass Abstand und dein Präzisionsziel die Anzahl der Standorte bestimmen. Lass die Nachweiswahrscheinlichkeit die Dauer festlegen. Alles andere ist Logistik. Bring die Reihenfolge durcheinander, und kein noch so großer Feldaufwand wird dich retten.

Beginne mit der Frage, nicht mit der Kamera

Die nützlichste Grundüberlegung in der Literatur ist, dass eine Kamera-Erkennung das Produkt zweier Prozesse ist: wie viele Tiere da draußen sind und wie wahrscheinlich jedes davon fotografiert wird. Jede Designentscheidung ist in Wirklichkeit eine Entscheidung darüber, wie du diesen zweiten Prozess handhabst — die Nachweisbarkeit. Was die analytischen Methoden unterscheidet, ist, was sie annehmen und was sie daher von deinem Kameranetz verlangen.

Ein kurzer Rundgang durch die vier gängigen Ziele, weil der Rest dieses Artikels immer wieder auf sie zurückkommt:

• Artenerfassung / Artenreichtum — „Was lebt hier?" Jede Art muss eine Nachweiswahrscheinlichkeit größer null haben, was meist breite räumliche Abdeckung und Randomisierung bedeutet, nicht Intensität an einer einzelnen Stelle.
• Vorkommen (Occupancy) — „Welchen Anteil der Standorte nutzt eine Art?" Das Occupancy-Rahmenwerk modelliert unvollständige Nachweisbarkeit ausdrücklich über wiederholte Begehungen, es braucht also genügend Standorte und genügend Erhebungsanlässe pro Standort, um die Nachweiswahrscheinlichkeit festzunageln.
• Relative Häufigkeit (RAI) — Erkennungen pro Aufwandseinheit, verwendet als Index der Häufigkeit. Günstig und allgegenwärtig, aber sie beruht auf der heroischen Annahme, dass die Nachweisbarkeit über alle verglichenen Dinge hinweg konstant ist. Meist ist sie es nicht.
• Dichte — Tiere pro Flächeneinheit, der Goldstandard. Für individuell identifizierbare Arten (denk an gefleckte Katzen) bedeutet das räumliche Fang-Wiederfang-Analysen (SCR/SECR); für unmarkierte Arten ist das Random-Encounter-Modell (REM) die wichtigste Option. Diese beiden Methoden wollen Gegensätzliches von deinem Kameraabstand, was die einzelne größte Falle des ganzen Feldes ist.

Der GBIF-Leitfaden zur Datenveröffentlichung macht denselben Punkt von der anderen Seite: „Was möchtest du von welchen Artengruppen wissen? Jedes Ziel bringt seine eigenen Schlüsselmerkmale mit sich, die zu berücksichtigen sind, etwa Kamerahöhe und -ausrichtung, Saisonalität, Ködereinsatz, Merkmale des Erfassungsbereichs". Diese Merkmale sind keine optionalen Metadaten. Sie sind das Design.

Ein Praxisüberblick, der die Zeit eines Einsteigers wert ist, stellt die Platzierung selbst als Menü dar — zufällig, geschichtet, systematisch, adaptiv und occupancy-artige Stichprobennahme, jede mit ihren eigenen Stärken. Das ist ein brauchbares gedankliches Gerüst. Doch sobald du echte Koordinaten wählst, lautet die Frage nicht mehr „welcher Stichproben-Archetyp klingt gut" — sondern „was setzt mein Schätzer voraus, und erfüllt dieses Layout das?"

Abstand und Unabhängigkeit: an das Streifgebiet gebunden, nicht an Gewohnheit

Der Kameraabstand ist der Ort, an dem gute Absichten sterben, denn der „richtige" Abstand kippt je nach Ziel — und die Literatur ist stellenweise wirklich uneins, was ich unterwegs kennzeichnen werde.

Für Artenreichtum, Occupancy und RAI willst du in der Regel Unabhängigkeit. Die Faustregel, nach der fast alle greifen, lautet 1–2 km zwischen Standorten. Diese Zahl ist nicht heilig; sie ist ein pragmatischer Platzhalter für „weit genug auseinander, dass zwei Kameras nicht dieselben Individuen erfassen". Der WWF-Leitfaden zu bewährten Verfahren stellt unverblümt fest, dass die Bedeutung strikter Unabhängigkeit „oft überbewertet wird und möglicherweise wenig Einfluss auf die statistische Inferenz hat", und merkt an, dass die räumliche Klumpung, um die man sich sorgen würde, in Kameradaten als schwach befunden wurde, wann immer jemand danach gesucht hat. Kays und Kollegen fanden, dass Autokorrelation zwischen Kameras jenseits von etwa 25 m im tropischen Wald kein Problem war — eine subtropische Buschland-Studie fand sie jedoch noch bei 500 m. Also die ehrliche Fassung: Binde den Abstand an die Streifgebietsgröße deiner Zielart, greife auf etwa 1 km zurück (und mindestens einen Streifgebietsdurchmesser), wenn dir diese Information fehlt, und denk daran, dass du verbleibende Abhängigkeit statistisch modellieren kannst, statt sie wegzukonstruieren.

Der Einrichtungsleitfaden von WildCAM liefert die klarste Fassung des Abwägungsproblems in einfacher Sprache: Wenn du das Vorkommen von Grizzlybären schätzt „und Kameras zu nah beieinander platziert sind, sind Erkennungen möglicherweise nicht statistisch unabhängig, falls die Möglichkeit besteht, dass dasselbe Individuum innerhalb kurzer Zeit an benachbarten Kamerastandorten erfasst wird", weshalb du für weiträumig streifende Säugetiere „große Distanzintervalle wählen solltest".

Für SCR/SECR-Dichte willst du genau das Gegenteil — Abhängigkeit ist der Sinn der Sache. Diese Modelle funktionieren, indem sie beobachten, wie die Fangwahrscheinlichkeit mit der Entfernung vom Aktivitätszentrum eines Tieres abnimmt, also muss jedes Individuum an mehr als einem Standort fotografiert werden. Die Empfehlung: Platziere Kameras höchstens das 0,8-Fache eines durchschnittlichen Streifgebietsradius auseinander und ziele idealerweise auf ein Drittel eines Streifgebietsradius, was auf grob 4–7 Kameras innerhalb jedes Streifgebiets hinausläuft. Konventionelle (nicht-räumliche) Fang-Wiederfang-Analyse ist noch strenger damit, keine „Löcher" zu lassen, in denen sich ein ganzes Streifgebiet verstecken könnte — Tobler und Powell formulierten es für Jaguare einprägsam: „Es sollte kein Loch zwischen Kameras geben, in das das gesamte Streifgebiet eines Individuums passen würde".

Hier wird es interessant, und hier hat sich das Feld noch nicht vollständig geeinigt. Eine SECR-Studie an Schwarzbären (über die Synthese von WildCAM) fand, dass sich die Dichteschätzungen bei vergrößertem Fallenabstand kaum veränderten — „es könnte lohnender sein, Fallen weiter auseinander zu platzieren, um eine größere Fläche zu erfassen", weil SECR gegenüber einer geringeren Anzahl von Standorten weitaus robuster ist als andere Dichtemethoden. Der maßgebliche SECR-Überblick kommt zur selben strategischen Schlussfolgerung: „Der beste Weg, die Präzision aus der Perspektive des Studiendesigns zu erhöhen, scheint darin zu bestehen, die Anzahl der gefangenen Individuen zu erhöhen", was sich am natürlichsten durch die Vergrößerung der Untersuchungsfläche erreichen lässt. Für SECR besteht also echte Spannung zwischen dem Lehrbuch-Abstand „eng packen" und dem praktischen Befund „weit verteilen, um mehr Individuen zu fangen". Die Auflösung, bei der die meisten landen: Die Ausdehnung deines Rasters relativ zur Streifgebietsgröße zählt mindestens ebenso viel wie der Abstand zwischen den Fallen — was die Schneeleoparden-Studie weiter unten brutal vorführt.

Für REM ist der Abstand vollständig von der Zielart befreit, was eines seiner besten Merkmale ist. Weil REM kein Individuum zweimal fotografiert braucht, „wird der Kameraabstand nicht von der Zielart bestimmt", und mehr als eine Art kann in derselben Erhebung überwacht werden. Was REM stattdessen verlangt, ist, dass Kameras zufällig in Bezug auf die Tierbewegung platziert werden — nicht an Wildwechseln, nicht an Suhlen, nicht irgendwo, das gewählt wurde, um Begegnungsraten aufzublähen oder zu drücken. Verletze das, und du verzerrst die Begegnungsrate und damit die Dichteschätzung.

Der Kameraabstand ist der Ort, an dem gute Absichten sterben, denn der „richtige" Abstand kippt je nach Ziel.

Wie viele Standorte? Dichte und Kameraanzahl

Es gibt keine universelle Antwort, aber es gibt gute Zielwerte je nach Ziel, und sie sind konkreter als „mehr ist besser".

Artenreichtum. Die direkteste empirische Evidenz stammt aus Kays et al.'s Teilstichproben von 2.225 Einsätzen in 41 globalen Untersuchungsgebieten. Sie fanden, dass 25–35 Kamerastandorte für präzise Schätzungen des Artenreichtums nötig waren, je nach Umfang der Studie — etwa 35 für großmaßstäbige Raster (≥1 km Abstand) und 25 für kleinmaßstäbige (≤0,2 km) tropische Standorte, wobei für die artenärmsten kleinmaßstäbigen gemäßigten Gebiete schon 17–22 genügten. Der WWF-Leitfaden ist deutlicher: Für Artenreichtum „scheint es unwahrscheinlich, dass sich mit weniger als 20 Standorten eine anständige Stichprobe erzielen ließe, und 50 Standorte könnten ein besseres Ziel sein", und wenn du schichtest, brauchst du 20–50 Standorte pro Schicht. Die Synthese von WildCAM bestätigt das — unter 20 Kameras sind „für Erhebungen des Artenreichtums undurchführbar, wobei 50 Standorte ein besseres Ziel sind".

Occupancy. Hier wird die Standortzahl brutal empfindlich dafür, wie häufig deine Art ist. Kays et al. fanden die Occupancy-Präzision „hochgradig empfindlich gegenüber dem Vorkommensniveau, wobei <20 Kamerastandorte für präzise Schätzungen häufiger (ψ>0,75) Arten nötig waren, aber wahrscheinlich mehr als 150 Kamerastandorte für seltene (ψ<0,25) Arten". Fast die Hälfte einer globalen Karnivoren-Analyse, die sie zitieren, hatte ein Vorkommen unter 0,25 — genau die Arten, die du am dringendsten überwachen willst, und genau die, die 100+ Standorte verlangen. Die allgemeine Empfehlung des WWF-Leitfadens: mindestens 40 Stichprobenstandorte für Occupancy, ansteigend auf 100+, wenn du Kovariaten hinzufügst oder einer seltenen Art nachjagst. WildCAM operationalisiert es als: 30 Standorte für gut nachweisbare Arten (p ≥ 0,8), 30–60 für viele Arten und „mindestens 100 Standorte" für seltene, niedrigdichte Arten mit Nachweiswahrscheinlichkeiten unter 0,1.

Die Frage einzelne vs. mehrere Kameras. Ein Befund, der Leute zuverlässig überrascht: Mehr Kameras an jedem Standort können ebenso viel ausmachen wie das Hinzufügen von Standorten. O'Connor und Kollegen betrieben Ein-, Zwei- und Vier-Kamera-Aufbauten an 20 bewaldeten Standorten und fanden, dass die Vier-Kamera-Methode 1,25 (53 %) mehr Arten pro Standort erfasste als eine einzelne Kamera, die einzige Konfiguration war, die die bodenlebende Gemeinschaft vollständig erfasste, und die Zahl der Standorte, an denen Weißwedelhirsche registriert wurden, ungefähr verdoppelte. Die Nachweiswahrscheinlichkeit für Hirsche an einer einzelnen Kamera betrug lediglich 0,179. Ihre Empfehlung — „mindestens 2 Fotofallen pro Kamerastandort, in entgegengesetzte Richtungen ausgerichtet" — ist eine günstige Absicherung gegen die falsch-negativen Ergebnisse, die Occupancy- und Artenreichtumsdaten ruinieren.

SECR-Dichte. Der maßgebliche Überblick fand einen Median von 57,5 Kamerastandorten pro Studie und Jahr (Mittelwert etwa 100, Spanne 12–849) über die veröffentlichte SECR-Arbeit hinweg. Für Jaguare speziell folgerten Tobler und Powell, dass ein Minimum von 40–50 Standorten für eine verlässliche Erhebung erforderlich ist, „und eine größere Anzahl von Standorten wäre wünschenswert" — ein Schwellenwert, den WildCAM als „absolutes Minimum" wiederholt. Der rettende Vorzug von SECR ist die Robustheit: Es ist „gegenüber einer geringeren Anzahl von Kamerastandorten weitaus robuster als andere Dichteschätzmethoden".

REM-Dichte. Simulationsarbeit legt nahe, dass „ca. 60 Kameraplatzierungen beprobt werden sollten, um akzeptable Präzision zu erreichen (d. h. einen Variationskoeffizienten unter 0,20)".

Um die Abwägungen greifbar zu machen, hier, wie einige der protokollreifen Designs in der Literatur tatsächlich Kameras zuteilen:

Beachte, dass ForestGEO Kameras bewusst mit einer 100-fach höheren Dichte betreibt als TEAM — eine Falle pro 2 ha gegenüber einer pro 2 km² —, weil sie unterschiedliche Fragen über unterschiedliche Flächen beantworten (1 km² intensiver Waldbeprobung gegenüber 120 km² Gemeinschaftsmonitoring). Keines ist „richtig". Sie sind auf ihre Ziele abgestimmt.

Koordinierte und Citizen-Science-Erhebungen leben am äußersten Ende dieses Spektrums: SNAPSHOT USA 2021, eine Erhebung mit vielen Beitragenden auf nationaler Ebene, bündelte 109 Fotofallen-Netze und 1.711 Kamerastandorte für 71.519 Fallennächte, wobei der Aufwand pro Netz von 126 bis 3.355 Nächten reichte. Die Erkenntnis für jeden, der einem solchen Netzwerk beitritt, ist, dass Konsistenz über die Beitragenden hinweg — standardisierte Höhe, Abstand und Dauer — überhaupt erst ermöglicht, all diese einzeln bescheidenen Netze gemeinsam zu analysieren.

ForestGEO betreibt Kameras bewusst mit einer 100-fach höheren Dichte als TEAM, weil sie unterschiedliche Fragen über unterschiedliche Flächen beantworten. Keines ist „richtig". Sie sind auf ihre Ziele abgestimmt.

Warum die Ausdehnung deines Rasters mehr zählen kann als seine Dichte

Die Schneeleoparden-Studie ist die Mahnung, die jeder Dichte-Erheber an der Wand hängen haben sollte. Dasselbe Team beprobte dieselbe Landschaft auf zwei Weisen: ein kompaktes Netz (38 Kameras, ~1 km Abstand, 253 km² Ausdehnung, 15 Kameras/100 km²) und ein diffuses (44 Kameras, ~5 km Abstand, 2.030 km² Ausdehnung — fast eine Größenordnung größer — bei nur 2 Kameras/100 km²).

Die Schätzungen unterschieden sich nicht bloß — das kompakte Design lieferte eine Dichte von 0,12 Tieren/100 km² gegenüber den 0,534 des diffusen Designs, im diffusen Layout also rund fünfmal höher. Schlimmer noch: Das kompakte Netz gab die tatsächliche Raumnutzung der Katzen grob falsch wieder und blähte den Bewegungsparameter σ̂ auf 12,23 auf gegenüber 3,27 im diffusen Design. Die Lehre, die die Autoren daraus ziehen, ist dieselbe, die Tobler und Powell für Jaguare zogen und die der maßgebliche Überblick artübergreifend zog: „Die Beprobung einer kleinen Fläche von etwa der Größe eines einzigen Streifgebiets unterliegt Verzerrungen, die sich aus sehr wenigen Individuen in der Landschaft mit sehr niedrigen Begegnungswahrscheinlichkeiten ergeben". Für Dichtearbeit kann ein Raster, das eng und klein ist, weitaus schlechter sein als eines, das dünn und groß ist. Decke genug Fläche ab, um genug Individuen zu erfassen — das, mehr als Kameras dicht zu packen, verschafft dir eine verteidigbare Schätzung.

Für Dichtearbeit kann ein Raster, das eng und klein ist, weitaus schlechter sein als eines, das dünn und groß ist.

Dauer: wie lange jede Kamera stehen bleibt und wie lange die Erhebung läuft

Es ticken zwei verschiedene Uhren, und Leute vermengen sie. Die eine ist, wie lange eine einzelne Kamera an einer Stelle sitzen sollte. Die andere ist die Gesamterhebungsdauer bzw. die Gesamtzahl der Fallennächte. Beide haben gute empirische Ankerpunkte.

Dauer pro Kamera. Kays et al.'s Teilstichproben geben die klarste Orientierung, die jemand hat: Eine Kamera 2 Wochen zu betreiben war am effizientesten, um neue Arten zu erfassen, aber 3–4 Wochen waren für präzise lokale Erkennungsraten-Schätzungen nötig, „ohne Präzisionsgewinne nach einem Monat". Ihre Kernempfehlung — „betreibe jede Kamera 3–5 Wochen über 40–60 Standorte pro Netz" — ist inzwischen die faktische Standardvorgabe für Gemeinschaftsstudien. Si et al.'s intensive Zweijahresstudie eines einzelnen chinesischen Plots ergänzt eine komplementäre Regel: Neue Arten häufen sich in den ersten etwa 40 Tagen an einem Standort schnell an, dann bricht die Rate ein, weshalb sie vorschlagen, Kameras „etwa alle 40 Tage" oder nach ungefähr 20 unabhängigen Fotos zu versetzen.

Standorte versus Erhebungsanlässe — das wiederkehrende Urteil. Wenn Kameras begrenzt sind (das sind sie immer), solltest du mehr Standorte für kürzere Zeit beproben oder weniger Standorte länger? Für Artenreichtum und relative Häufigkeit ist die Antwort über die Studien hinweg einheitlich: verteilen. Si et al. fanden, dass es bei gleichen Gesamt-Kameratagen „besser war, Kameras über mehr Standorte für kürzere Zeit an jedem Standort einzusetzen, als Kameras am selben Standort zu belassen" — bei 1.000 Kameratagen erfassten drei Standorte 80 % der Arten, während 19 Standorte 90 % erfassten. Kays et al. kommen zum selben Schluss, und der WWF-Leitfaden formuliert es als Vorgabe: „Beprobe mehr Standorte für kürzere Zeit, statt nur wenige Standorte für sehr lange Zeit zu beproben". (Occupancy ist die teilweise Ausnahme — für eine seltene, fleckig verteilte Art ist es immer noch besser, Kameras zu versetzen und mehr Standorte zu beproben, aber für eine häufige oder sehr schlecht nachweisbare Art kann es tatsächlich effizienter sein, weniger Standorte länger zu beproben.)

Gesamtzahl der Fallennächte. Multipliziere die Zielwerte, und du erhältst eine Untergrenze. Die Rechnung des WWF-Leitfadens — 20–50 Standorte × je 30 Fallennächte — ergibt 600 bis 1.500 Fallennächte für eine Artenreichtums-/Diversitätsstudie, mit der allgemeinen Empfehlung, dass „Diversitätsstudien mindestens 1.000 Fallennächte umfassen sollten". Si et al.'s Rarefaktion setzte das Minimum auf 931 Kameratage, um 90 % der häufigen Arten an ihrem Standort zu erfassen, wobei etwa 8.700 Kameratage nötig waren, um alle 10 ansässigen Arten zu erfassen — eine drastische Veranschaulichung dafür, wie der lange Schwanz seltener Arten den Aufwand explodieren lässt. Burtons Überblick fand, dass der mediane reale Aufwand 2.055 Fallentage betrug, wies aber darauf hin, dass fast ein Drittel (28,9 %) der Studien weniger als 1.000 Gesamt-Fallentage hatte, „was wahrscheinlich nicht ausreicht, um seltene Arten zu erfassen".

Für Dichtearbeit steigt die Latte. Für relative Häufigkeit und REM sollte ein Index auf mehr als 10, idealerweise mehr als 20 Fängen beruhen — und „für Dichten, wie sie für viele Karnivoren (und die seltensten Huftiere) typisch sind, werden mindestens 2.000 Fallennächte erforderlich sein, um 20 Fänge zu erzielen". Der maßgebliche SECR-Überblick fand einen Median von 3.124 Kameratagen pro Jahr, wobei 71,6 % der Studien ein Jahr oder weniger liefen. Jaguar-Erhebungen balancieren wegen der Geschlossenheitsannahme auf einem Drahtseil: kurz genug, um anzunehmen, dass sich die Population nicht verändert hat, lang genug, um Daten zu sammeln, wobei Tobler und Powell ein Minimum von 60 Tagen, oft 90 oder sogar 120 empfehlen — und das gängige 30-Tage-Fenster ausdrücklich als zu ungenau ablehnen.

Ein ernüchternder Bezugswert dazu, ob sich all dieser Aufwand tatsächlich auszahlt: Über SECR-Studien hinweg lag der mediane Variationskoeffizient bei 30 %, und „75,6 % der Studien berichteten einen CV von ≤40 %, aber nur 21 % der Studien berichteten einen CV ≤20 %". Die meisten Dichteerhebungen sind nicht so präzise, wie ihre Autoren es gerne hätten. Und nur 10,5 % von ihnen führten vor der Feldarbeit überhaupt eine Simulation durch, um das herauszufinden.

Die meisten Dichteerhebungen sind nicht so präzise, wie ihre Autoren es gerne hätten. Und nur 10,5 % von ihnen führten vor der Feldarbeit überhaupt eine Simulation durch, um das herauszufinden.

Die Nachweiswahrscheinlichkeit ist die verborgene Variable hinter allem

Wenn es einen Parameter gibt, der stillschweigend über Abstand, Dichte und Dauer bestimmt, dann ist es die Nachweiswahrscheinlichkeit — die Chance, dass du eine Art fotografierst, sofern sie da ist. Setze sie zu niedrig an, und deine Modelle verlieren nicht bloß Präzision, sie brechen zusammen.

Der Schwellenwert, den du dir merken solltest: Nachweiswahrscheinlichkeiten unter 0,2 „führen oft zu erheblichen Verzerrungen und Konvergenzproblemen, selbst in den einfachsten Ein-Zustands-Modellen". Und die Methoden, zu denen du greifen könntest, um reichere Ökologie zu erfassen, verschärfen das Problem — Mehrzustands-Occupancy-Modelle „erfordern höhere Nachweiswahrscheinlichkeiten im Vergleich zu den Ein-Zustands-Modellen", und „die Anzahl der erforderlichen Standorte war für Mehrzustandsmodelle wesentlich höher". Die Art, wie Nachweisbarkeit und Aufwand sich gegeneinander abwägen, folgt einer Gesetzmäßigkeit: „Die minimal nötigen Nachweiswahrscheinlichkeiten sanken für alle Modelle mit steigender Anzahl der Erhebungen". Mit anderen Worten: Du kannst dich mit mehr Erhebungsanlässen aus einer niedrigen Nachweisbarkeit herauskaufen — bis zu einem gewissen Punkt.

Auch deshalb ist der Sieben-Tage-Anlass so verbreitet: Kays et al. definierten die Nachweiswahrscheinlichkeit als „die Wahrscheinlichkeit, eine vorkommende Art während eines Sieben-Tage-Zeitraums an einem Kamerastandort zu erfassen", indem sie Tagesdaten zu Wochenfenstern zusammenfassten, sodass selbst spärlich erfasste Arten brauchbare Nachweishistorien liefern. Erkennungen zu mehrtägigen Anlässen zu bündeln, ist ein legitimer, kostenloser Hebel, um die Nachweiswahrscheinlichkeit anzuheben und die Modellanpassung zu verbessern. Das gilt ebenso für den Einsatz von mehr Kameras pro Standort. Beides erhöht die Nachweisbarkeit ohne die Annahmeverletzungen, die Köder und Wildwechsel-Ausrichtung einführen — was uns zum wirklich umstrittenen Teil des Untersuchungsdesigns führt.

Platzierungsstrategie und Zielart: die eigentliche Weggabelung

Wohin du die Kamera richtest — auf einen Wildwechsel oder auf einen zufälligen Punkt — ist die Entscheidung, die das Feld spaltet, denn sie tauscht Verzerrung gegen Datenmenge, und verschiedene Arten sitzen auf verschiedenen Seiten dieses Handels.

Die Evidenz, dass die Platzierung deine Daten verzerrt, ist erdrückend und konsistent. In Virginia betrieben Kolowski und Forrester gepaarte Kameras und fanden, dass die Nachweiswahrscheinlichkeit für fünf Arten an Wildwechseln um 11–33 % stieg gegenüber zufälligen Standorten, und um 24,9–38,2 % für Nagetiere an Baumstämmen; im extremsten Fall verbuchte eine „Maus"-Kategorie 65 Fangereignisse an Baumstämmen gegenüber nur einem einzigen Fang an zufälligen Standorten. Die Fangraten lagen an merkmalsbasierten Kameras 1,7- bis 9,67-mal höher. In Italien setzten Greco et al. 60 Kameras pro Strategie ein und registrierten einen Durchschnitt von acht Arten am Wildwechselnetz gegenüber vier abseits der Wechsel, wobei Wolf und Wildkatze abseits der Wechsel nur je fünf Ereignisse gegenüber 242 bzw. 80 an den Wechseln lieferten — und insgesamt sechsmal mehr Daten an den Wechseln. Acht von 11 getesteten Arten zeigten höhere Nachweisbarkeit und höheres Vorkommen an Wildwechseln.

Also gewinnen Wildwechsel, richtig? Nicht für Gemeinschaftsarbeit, und hier ist die Verzerrung, die sie einschleusen: Die Zusammensetzung verschiebt sich. In der italienischen Studie machten wilde Huftiere 49 % der relativen Häufigkeit abseits der Wechsel, aber nur 28 % an den Wechseln aus, während Karnivoren von 32 % abseits der Wechsel auf 56 % an den Wechseln kippten. Du bekommst an Wildwechseln nicht bloß mehr Daten — du bekommst eine anders geformte Gemeinschaft, gewichtet zu den Arten, die Wechsel mögen. Cusack et al.'s gepaartes Savannen-Experiment in Tansania legt fest, welche: Karnivoren wurden in der Trockenzeit signifikant häufiger an Wildwechsel-Platzierungen erfasst, und größere Arten in der Regenzeit. Ihr beruhigender Befund für Artenreichtumserhebungen: „Bei angemessenem Stichprobenaufwand (>1.400 Fotofallennächte) ist es unwahrscheinlich, dass die Platzierungsstrategie die auf Gemeinschaftsebene gezogenen Schlüsse beeinflusst" — aber unterhalb dieses Aufwands, und für bestimmte trophische Gruppen, tut sie das sehr wohl.

Hier zeigen zwei maßgebliche Quellen in entgegengesetzte Richtungen, und du musst verstehen, warum, bevor du wählst. Für Gemeinschafts-, Occupancy- und REM-Arbeit ist die Leitlinie nachdrücklich, dass Randomisierung unerlässlich ist — nicht-zufällige Platzierung „verletzt ein Schlüsselprinzip der Stichprobentheorie: die zufällige Auswahl von Stichprobeneinheiten", riskiert, ganze Lebensräume und Arten zu verpassen, und verzerrt die relative Häufigkeit zugunsten der Wechselnutzer. Doch für SECR-Dichte einer markierten, schwer fassbaren Art empfehlen Tobler und Powell das Umgekehrte — platziere Kameras „an gut etablierten Wildwechseln und Forststraßen, die häufig von Jaguaren genutzt werden", weil „Kameras, die zufällig in der Landschaft platziert werden, eine sehr niedrige Fangwahrscheinlichkeit für Jaguare haben und zu schlechten Daten führen". Die Versöhnung ist kein Kompromiss; es ist wieder die Frage. Ob dein Schätzer eine unverzerrte Stichprobe der Gemeinschaft (zufällig) braucht oder genug Wiederfänge eines einzelnen kryptischen Individuums, um ein räumliches Modell anzupassen (Wechsel) — die „richtige" Platzierung unterscheidet sich tatsächlich —, und wenn du Wechsel- und Nicht-Wechsel-Kameras mischst, erfasst du die Platzierung als Kovariate, damit das Modell sie berücksichtigen kann.

Die tiefste Lehre ist, dass Arten auf all dies nicht einheitlich reagieren. Selbst ähnlich große, eng verwandte Arten reagieren unterschiedlich auf dieselben Designentscheidungen, weshalb manche Autoren argumentieren, dass Monitoringprogramme eine „Mischung von Untersuchungsdesign-Strategien" einsetzen sollten statt eines einzigen standardisierten Ansatzes, wenn ihnen an einer vielfältigen Gemeinschaft gelegen ist. (Die Seite jenes Papers war bot-blockiert, als seine Quelldatei erfasst wurde, sodass dies den Vermerk des Recherchepakets dazu wiedergibt, nicht Text, den ich direkt lesen konnte.) Der praktische Zug, wenn du ein Netz und mehrere Zielarten hast: Entwirf für die schwierigste — die seltenste, am schlechtesten nachweisbare, weiträumigste Art bestimmt deinen Abstand und Aufwand, und die leichteren Arten kommen einfach mit.

Du bekommst an Wildwechseln nicht bloß mehr Daten — du bekommst eine anders geformte Gemeinschaft, gewichtet zu den Arten, die Wechsel mögen.

Köder und Lockmittel: ein verlockender Hebel mit Stachel

Lockstoffe erhöhen die Nachweisbarkeit, ohne Wenn und Aber. Die Frage ist, was sie dich kosten. In einem Test an 844 Standorten in Alberta erzeugte Duftlockstoff einen starken positiven Effekt auf Prädatoren insgesamt (β = 0,75) und einen sehr starken Effekt auf den Fischermarder (β = 2,23) — aber keinen Effekt auf den Grauwolf (β = -0,01, p = 0,973) und keinen auf Beutearten oder Huftiere. Das ist die Falle: Lockmittel hilft manchen Arten, ignoriert andere, und kann daher „unbekannte Verzerrungen in Schlussfolgerungen über mehrere Arten hinweg einführen", was bedeutet, dass Mehrartenerhebungen „den variablen Effekt von Duftlockstoff berücksichtigen müssen".

Das protokollreife Urteil spiegelt das. Der WWF-Leitfaden stellt klar fest, dass „der Einsatz von Lockmitteln (Ködern und Duftstoffen) in formalen Fotofallenerhebungen nicht empfohlen wird, es sei denn, es gibt sehr zwingende Gründe für ihren Einsatz und es ist möglich, ihre Effekte zu kontrollieren". TEAM verwendet überhaupt keinen Köder. Die Nuance von der Occupancy-Simulationsseite: Köder und Wildwechsel-Ausrichtung werden weithin genutzt, um die Nachweisbarkeit über jene gefährliche 0,2-Grenze zu heben, und der Gewinn an Modellleistung könnte die Verzerrung wert sein — aber Datenbündelung und mehrere Kameras pro Standort erzielen denselben Auftrieb „ohne notwendigerweise Modellannahmen zu verletzen", also greife zuerst danach. Wenn du Köder einsetzt, standardisiere ihn gnadenlos und erfasse ihn als Metadaten, damit er modelliert und nicht ignoriert werden kann.

Die Fallstricke, die Datensätze wirklich ruinieren

Wenn wir die Fäden zusammenziehen, hier, wo das Untersuchungsdesign für Fotofallen am häufigsten schiefgeht — und jeder davon ist eine Designentscheidung, kein Feldunfall:

• Kein wahrscheinlichkeitsbasiertes Design. Die 40,2 % der Studien, die Kameras opportunistisch platzieren, können nicht über die genauen Stellen hinaus verallgemeinern, die sie beprobt haben. Randomisiere, oder schichte und randomisiere innerhalb der Schichten.
• Zu wenig Aufwand für seltene Arten. Unter 1.000 Fallennächte reichen wahrscheinlich nicht aus, um die seltenen Arten zu erfassen, auf die es am meisten ankommt, und seltene, niedrigdichte Arten können 100–150+ Standorte brauchen.
• Ein Raster, das zu klein für das Streifgebiet ist. Für Dichte trägt ein Kamerapolygon, das kleiner als etwa ein Streifgebiet ist, für jede getestete Methode eine positive Verzerrung.
• Eine Kamera pro Standort als ausreichend behandeln. Einzelne Kameras verpassen Erkennungen, die eine Verdopplung auf zwei entgegengesetzte Kameras erfassen würde, und verzerren Occupancy und Artenreichtum.
• Saisonalität ignorieren. Kays et al. fanden, dass 37–50 % der Arten im Jahresverlauf signifikant im Vorkommen oder in der Nachweisbarkeit schwankten, wobei gemäßigte Arten in der relativen Häufigkeit im Schnitt um den Faktor 4–5 zwischen den Jahreszeiten variierten. Eine Ein-Jahreszeit-Momentaufnahme ist nicht das Jahr. Wähle dein Fenster bewusst und vergleiche niemals über Jahreszeiten hinweg, ohne es zu berücksichtigen.
• Deinen „Standort" verwechseln. Dasselbe Wort umfasst den Erfassungsbereich einer Kamera und eine 10-km²-Rasterzelle, und Occupancy bedeutet auf jeder Skala etwas anderes. Definiere ihn.
• Nicht zuerst simulieren. Nur etwa 10 % der SECR-Studien führten vor der Feldarbeit eine Poweranalyse durch — die günstigste Versicherung gegen ein präzisionsarmes Ergebnis, die es gibt.

Was auch immer du nutzt, dokumentiere das Design selbst als strukturierte Metadaten — Kamerahöhe und -ausrichtung, Abstand, Dauer, Köder, Merkmale des Erfassungsbereichs —, denn ein Datensatz, dessen Design nicht erfasst ist, kann nicht neu analysiert oder mit dem eines anderen zusammengeführt werden. Standards wie Camtrap DP existieren gerade deshalb, damit das Untersuchungsdesign Teil der Daten wird und nicht verlorenes institutionelles Gedächtnis. Wenn du bei irgendeiner einzelnen Entscheidung tiefer einsteigen willst, bleibt der WWF-Leitfaden zu bewährten Verfahren die einzelne vollständigste Referenz, und das Paper von Kays et al. ist das empirische Rückgrat für die Zahlen zu „wie viele, wie lange".

Häufig gestellte Fragen