Wildtierdichte aus Fotofallen schätzen, ohne Tiere zu markieren

Eine Kamera, die tausendmal auslöst, sagt fast nichts darüber aus, wie viele Tiere vor ihr leben. Es könnten tausend verschiedene Hirsche sein, die je einmal vorbeiziehen, oder ein dreister Fuchs, der gelernt hat, dass das Objektiv ein befriedigendes Kauspielzeug abgibt. Genau diese Mehrdeutigkeit — viele mobile Individuen gegenüber einem einzigen umtriebigen Standorttier — ist das ganze Problem. Deshalb war eine rohe „Erfassungsrate“ nie eine verlässliche Währung, und deshalb bedeutete Dichteschätzung mit Fotofallen jahrzehntelang Tiger, Leoparden und nicht viel mehr: Man brauchte individuell erkennbare Felle, um Fang-Wiederfang durchzuführen.

Die meisten Arten haben keine Streifen. Ein Rotfuchs ist ein Rotfuchs. Also wuchs eine Familie von Methoden heran, um etwas zu tun, das fast zu clever klingt — die absolute Dichte zu schätzen, Tiere pro Quadratkilometer, aus unmarkierten Tieren, die man nicht auseinanderhalten kann. Dies ist der Leitfaden zu jener Familie: das Random Encounter Model (Modell des zufälligen Aufeinandertreffens, REM) und seine Nachfahren, was jede Methode tatsächlich von einem verlangt, und die konkreten Arten, auf die jede einen belügt, wenn man nicht aufpasst. Keine davon ist Zauberei, und — das ist wichtig — keine davon ist die universelle Antwort. Der ehrliche Zustand des Feldes ist eine Reihe von Abwägungen, kein Sieger.

Wenn du unsere Beiträge über Untersuchungsdesign für Fotofallen: Abstand, Dichte und Dauer oder gelesen hast, dann ist dies die analytische Schicht, die darunter liegt: Du hast die Kameras aufgestellt, du hast die Erfassungen, jetzt willst du eine Zahl mit einer Einheit dran.

Warum „einfach die Fotos zählen“ nie funktionieren konnte

Zwei Dinge machen den naiven Ansatz zunichte. Erstens das bereits erwähnte Problem der individuellen Identität: Erfassungen lassen sich nicht sauber auf Tiere abbilden. Zweitens, und subtiler, verschmiert die Tierbewegung die Stichprobenfläche. Eine Kamera beprobt ein Stück Boden, aber wie groß ist dieses Stück? Es hängt davon ab, wie weit die Tiere, die du zählen willst, typischerweise umherstreifen, was du in der Regel nicht weißt. Ohne definierte Stichprobenfläche hat eine Abundanzschätzung keinen Nenner — keinen klaren Raum, auf den sie sich bezieht.

So teilt sich das Feld eigentlich danach, wie jede Methode dieses Flächenproblem handhabt. Manche schätzen die Abundanz an einer Kamera ganz ohne räumlichen Bezug und lassen einen sie hinterher einer Fläche zuordnen. Manche bauen die Fläche explizit ins Modell ein. Und manche — jene, auf die sich dieser Leitfaden stützt — schätzen die Dichte direkt innerhalb des gemeinsamen Sichtfelds der Kameras und nehmen an, dass dieses Sichtfeld die weitere Landschaft repräsentiert. Jene letzte Annahme, „die Kameras sehen eine faire Stichprobe“, leistet enorme Arbeit, und genau deshalb erweist sich Disziplin bei der Platzierung als wichtiger als jede Modellwahl.

Hier eine Zahl, die deine Sicht auf dieses ganze Unterfangen umkrempeln sollte. Eine Übersicht von 927 Fotofallen-Studien, die zwischen 2014 und 2019 veröffentlicht wurden, ergab, dass nur etwa 5,5 % überhaupt eine Methode zur Abundanzschätzung verwendeten. Die überwältigende Mehrheit griff auf relative Abundanzindizes, Occupancy oder Verhalten zurück. Die Methoden weiter unten sind nicht der ausgetretene Standard. Sie sind ein Grenzland, und sie belohnen Menschen, die ihre Annahmen verstehen, statt sie als Black Box zu behandeln.

Eine Kamera, die tausendmal auslöst, sagt fast nichts darüber aus, wie viele Tiere vor ihr leben.

Das Random Encounter Model: Tiere als Gasteilchen

REM ist der Begründer, und seine zentrale Idee ist, auf schöne Weise, aus der Physik des neunzehnten Jahrhunderts entlehnt. Physiker modellierten, wie oft Gasmoleküle zusammenstoßen. Rowcliffe und Kollegen erkannten, dass Tiere, die auf den Erfassungsbereich einer Kamera treffen, derselbe Prozess sind. Behandelt man Tiere wie ideale Gasteilchen, die sich zufällig durch den Raum bewegen, dann wird die Rate, mit der sie eine Kamera auslösen, zu einer vorhersagbaren Funktion davon, wie viele es gibt, wie schnell sie sich bewegen und wie groß der Erfassungsbereich ist.

In der Praxis heißt das, dass REM die Erfassungsrate mit vier Zutaten auf die Dichte skaliert: durchschnittliche Gruppengröße und Tagesstrecke (wie weit ein Tier an einem Tag zieht) auf der biologischen Seite, und Radius und Winkel des Erfassungsbereichs der Kamera auf der Hardwareseite. Schaffe unverzerrte Schätzungen dieser Größen, platziere deine Kameras ohne Verzerrung, und die Fotos liefern dir die Dichte.

Der ursprüngliche Feldtest ist gerade deshalb lehrreich, weil er zeigt, wo er scheiterte. In einem eingezäunten englischen Wildpark mit bekannten Tierzahlen traf REM drei von vier Arten bis auf 22 % der wahren Zahl. Die vierte — ein kleines Beuteltier namens Mara — kam 86 % zu niedrig heraus. Der Grund war nicht das Modell. Es lag daran, dass rund 90 % der Maras auf offenen Rasenflächen grasten, wo die Forschenden bewusst keine Kameras aufgestellt hatten, um die Besucher nicht zu fotografieren. Die Lektion hallt durch jede Arbeit seither: In dem Moment, in dem du die Kameraplatzierung mit dem korrelieren lässt, wo die Tiere sind, bricht REM zusammen. Kein gezieltes Ansteuern von Wechseln, Fährten, Wasserstellen oder Ködern, um deine Erfassungsrate aufzupumpen — das verletzt das Beobachtungsmodell und „kann keine unverzerrten Dichteschätzungen liefern“.

Das zweite wiederkehrende Kopfzerbrechen ist die Tagesstrecke. Zu wissen, wie weit deine Studientiere pro Tag ziehen, ohne Verzerrung, ist wirklich schwierig. Allometrische Abkürzungen (die Tagesstrecke aus der Körpergröße zu schätzen) „führen große Verzerrungen ein und sollten mit Vorsicht verwendet werden“. Man kann sie aus GPS-Halsbändern gewinnen, doch eine Studie an Schwarzbären machte den Fehlermodus anschaulich: Halsbandpositionen, die in großen Abständen erfasst werden, unterschätzen, wie weit sich ein Tier tatsächlich bewegt hat, was wiederum die Dichte überschätzt — und die Verzerrung beißt bei langsam ziehenden Arten härter. In derselben Studie erzielte REM eine glaubwürdige Schwarzbärendichte, die sich nicht signifikant von einer DNA-basierten Spatial-Capture-Recapture-Referenz unterschied, aber nur, sobald der Geschwindigkeitswert sorgfältig behandelt wurde. Der Haken ist fast philosophisch: Wenn du teure Halsbanddaten brauchst, um REM zu füttern, hast du den kostengünstigen und nicht-invasiven Vorteil verloren, der REM überhaupt erst attraktiv machte.

Wende REM auf eine Art an, die sich nicht wie ein Gasteilchen verhält, und du siehst die Belastung unmittelbar. Löwinnen in der Serengeti verbringen ihre Tage dösend unter einzeln stehenden Bäumen — und einzeln stehende Bäume sind genau dort, wo man eine Kamera aufstellen würde. Jedes REM-Modell in jener Studie überschätzte die Löwendichte; beschränkte man die Analyse auf Nachtaufnahmen, wenn die Löwen sich tatsächlich bewegen, verringerte das die Verzerrung erheblich. Das ist die wiederkehrende REM-Handwerkskunst: Finde die Zeiten und Orte, an denen sich deine Tiere zufällig in Bezug auf die Kameras bewegen, und stütze dich auf diese.

In dem Moment, in dem du die Kameraplatzierung mit dem korrelieren lässt, wo die Tiere sind, bricht das Random Encounter Model zusammen.

Distance Sampling für Kameras (CT-DS): einen 50 Jahre alten Werkzeugkasten ausleihen

Distance Sampling mit Fotofallen setzt anders an. Distance Sampling — zu messen, wie die Erkennbarkeit mit der Entfernung von einem Beobachter abfällt — ist einer der ausgereiftesten, am besten abgestützten Rahmen in der gesamten Wildtiererhebung, mit Jahrzehnten an Theorie, Software und Designleitlinien im Rücken. Howe, Buckland und Kollegen passten das Punkt-Transekt-Distance-Sampling so an, dass eine Kamera die Rolle des Beobachters spielt.

Die Mechanik ist elegant. Statt zu versuchen, die Tiergeschwindigkeit zu schätzen, erfasst CT-DS die radiale Entfernung zu jedem Tier zu vorbestimmten Schnappschussmomenten im Abstand von ein paar Sekunden und modelliert, wie die Erkennbarkeit mit der Entfernung abnimmt. Da die Schnappschüsse feste Uhrzeiten sind, die unabhängig davon gewählt werden, wo sich die Tiere gerade befinden, verzerrt die Bewegung die Entfernungsverteilung nicht. Du erbst den gesamten Distance-Sampling-Apparat — das Programm Distance, die Konventionen zur Modellauswahl, alles — und du musst nie die Tagesstrecke schätzen.

Was CT-DS im Gegenzug verlangt, ist sichere Erfassung direkt vor der Kamera (Entfernung null). Kleine Tiere, die unter dem Sichtfeld hindurchschlüpfen, halbe Körper, die sich nicht bestimmen lassen, oder eine träge Auslösung verletzen dies alle — und die Abhilfe ist, links zu stutzen, also die kameranahen Entfernungen zu verwerfen, in denen die Erfassung nicht sicher ist. Sie kann außerdem nur Tiere zählen, die verfügbar sind, um gesehen zu werden: Eine Art, die die Hälfte ihrer Zeit unter der Erde oder im Kronendach verbringt, liest sich als die Hälfte ihrer wahren Dichte, sofern du die nicht verfügbare Zeit nicht korrigierst.

CT-DS glänzt im großen Maßstab und über viele Arten auf einmal. In einer Erhebung im Salonga-Nationalpark in der Demokratischen Republik Kongo — 160 Kameras verteilt über 17.000 Quadratkilometer — lieferte ein einziger CT-DS-Einsatz Dichteschätzungen für 14 Arten gleichzeitig, von einer 200 Gramm schweren Rüsselspringer-Art bis zu Waldelefanten, einschließlich der allerersten Dichtezahlen für den Kongopfau und das Riesen-Schuppentier. Diese Reichweite über Arten hinweg ist etwas, mit dem REST und TIFC nur schwer mithalten können.

Doch Salonga legte auch den übelsten Fehlermodus von CT-DS offen: Tiere, die auf die Kamera reagieren. Waldelefanten fanden die Kameras faszinierend und blieben davor stehen, schnupperten und untersuchten sie. Diese reaktiven Beobachtungen einzubeziehen, blähte die Elefantendichte um bis zu zwei Größenordnungen auf. Bonobos taten das Gegenteil — hielten sich vorsichtig zurück —, was ihre Dichte um etwa 15 % aufblähte. Die empfohlenen Abwehrmaßnahmen sind, die Kameras einen Monat im Voraus aufzustellen, damit sich die Tiere gewöhnen, oder für die schlimmsten Übeltäter eine Methode zu bevorzugen, die weniger empfindlich auf Reaktivität ist.

Es gibt auch eine leisere CT-DS-Falle, die zu kennen sich lohnt, denn sie ist leicht zu übersehen und die Folgen sind groß. CT-DS wurde für Video entwickelt. Wenn du es mit Standbildern betreibst, ist die Kamera während ihrer Erholungszeit blind und in Phasen, in denen ein stillstehendes Tier es nicht schafft, sie erneut auszulösen. Versäumst du es, diese toten Intervalle von deinem Erhebungsaufwand abzuziehen, kannst du die Dichte um bis zu 96 % unterschätzen — weil du der Kamera Beprobungszeit angerechnet hast, die sie schlafend verbracht hat. Das mittlere tote Intervall lief in einer europäischen Studie je nach Art 8 bis 15 Sekunden, was sich schnell summiert.

REST: Geschwindigkeit gegen Verweildauer tauschen

Das Random Encounter and Staying Time-Modell ist REMs cleverer japanischer Cousin. Es behält REMs Aufeinandertreffen-Logik bei, tauscht aber den Parameter aus, den alle hassen — die Tagesstrecke — gegen einen, den man direkt vom Filmmaterial ablesen kann: die Verweildauer, wie lange ein Tier in einer kleinen, vordefinierten Fokuszone verweilt, in der man sicher ist, dass die Erfassung gesichert ist. Da die Verweildauer umgekehrt proportional zur Geschwindigkeit ist, trägt sie dieselbe Information, ohne dass man je etwas mit einem Halsband versehen muss.

REST hat eine Eigenschaft, bei der es sich zu verweilen lohnt: In Simulationen blieb es unverzerrt, selbst wenn sich einzelne Tiere mit unterschiedlichen Geschwindigkeiten bewegten und selbst wenn sie paarweise unterwegs waren. Diese Robustheit ist real und wertvoll. Aber REST kommt mit einer berüchtigt expliziten Mängelliste — die Autoren zählen offen sieben Annahmen auf. Zwei davon verursachen den Großteil des Ärgers im Feld. Erstens, wenn Tiere nicht synchron aktiv sind — manche schlafen, während andere äsen — dann unterschätzt REST die Dichte. Zweitens erzeugt ein Tier, das sich innerhalb der Fokuszone niederlegt und ruht, eine absurd lange Verweildauer, die den Mittelwert nach oben zieht und die Dichte überschätzt; die Abhilfe ist, diese Ausreißer zu verwerfen und deinen Aufwand um den Anteil des Tages zu korrigieren, an dem die Tiere tatsächlich aktiv sind.

Der praktische Aufbau ist pingeliger als der von REM. Du definierst eine Fokusfläche — ein gleichseitiges Dreieck funktioniert am besten — meist etwa 1,9 Meter Seitenlänge, zentriert im Sichtfeld, und du überprüfst, dass die Erfassung darin wirklich gesichert ist. Du betreibst die Kamera mit keiner Verzögerung zwischen den Auslösungen (eine Verzögerung bläht deine Aufwandsberechnung auf und verzerrt die Dichte nach unten), mit schnellen Sensoren und reichlich Batterie, idealerweise mit Video von über 15 Sekunden. Dann kommt die Arbeit: ein Referenzbild der leeren Fokuszone über jeden Tierclip zu legen, um genau zu messen, wie lange es sich darin befand. Die Autoren des Praxisleitfadens sind erfrischend offen, dass diese Messung „arbeitsintensiv und in den Kinderschuhen“ steckt.

Der Ertrag war, in dem einen direkten Vergleich, der alle großen Methoden zusammen testete, die beste Präzision und der geringste menschliche Arbeitsaufwand der drei. Der Haken ist die Kehrseite jener Effizienz: Weil REST nur Tiere nutzt, die das kleine Fokusdreieck durchqueren, gehen ihm bei Arten geringer Dichte die Daten aus — genau in den Situationen, in denen man sich eine Zahl am meisten wünscht.

TIFC: die Kamera als Quadrat

Time-in-Front-of-Camera treibt die Verweildauer-Idee auf die Spitze und macht sie wohl zur praxisfreundlichsten von allen. Vergiss das Trennen von Aufeinandertreffen und Verweildauern. Addiere einfach die gesamte Zeit, die irgendein Tier deiner Zielart im Sichtfeld verbracht hat über den gesamten Einsatz, teile durch die beprobte Fläche und die gesamte Betriebszeit, und du hast die Dichte.

Der Grund, warum das funktioniert, ist wirklich befriedigend. Die kumulierte Zeit im Sichtfeld ist invariant dagegen, wie schnell sich Tiere bewegen und wie groß ihre Streifgebiete sind. Verdopple die Geschwindigkeit eines Tiers, und es verbringt bei jedem Durchgang halb so lange im Bild — aber es kommt doppelt so oft vorbei. Verdopple die Größe des Streifgebiets, und das Tier besucht eine gegebene Kamera halb so oft — aber es gibt doppelt so viele Tiere, deren Gebiete diese Kamera überlappen. Die Buchhaltung hebt sich auf und lässt ein Maß zurück, das überhaupt keine Bewegungsrate, keine Gruppengröße und keinerlei Angabe zum Streifgebiet braucht. Aus diesem Grund wurde es in enormem Maßstab eingesetzt: fast 3.000 Kameras über Alberta hinweg über sechs Jahre.

Die Annahmen von TIFC gehören zur selben Familie wie der Rest — repräsentative Platzierung, keine kamerabedingte Verhaltensänderung, zuverlässige Erfassung nahe der Kamera —, doch seine charakteristische Schwäche ist die, die alle Verweildauer-Methoden teilen, und TIFC spürt sie akut, weil es jede Sekunde zählt: Tiere, die verweilen, blähen die Schätzung auf. Eine neuere Studie an Schalenwild legte genau dar, wie sich das über die Arten hinweg abspielt, und es ist die klarste Warngeschichte in der Literatur. Verglichen mit Luftzählungen traf TIFC den Elch ins Schwarze (Einzelgänger, trödelt nicht). Es kam 19 % zu niedrig für Bison heraus, weil die Kameras das offene Grasland, das Bison bevorzugt, unterbeprobten. Und es lief erstaunliche 116 % zu hoch für Wapiti — eine nordamerikanische Hirschart —, weil die Kameras an Wildwechseln standen (wo sich Wapitis konzentrieren) und die Wapitis immer wieder anhielten, um das Objektiv zu untersuchen — beides blähte die Verweildauer auf. Korrekturfaktoren halfen, aber die Autoren warnen, dass jene Faktoren für jede Landschaft neu justiert werden müssen. Die Erkenntnis lautet nicht „TIFC ist schlecht“. Sie lautet, dass dieselbe Methode für drei Arten im selben Datensatz unverzerrt, nach unten verzerrt und nach oben verzerrt sein kann, einzig wegen Platzierung und Verhalten.

Dieselbe Methode war unverzerrt für den Elch, nach unten verzerrt für Bison und nach oben verzerrt für Wapiti — in einem Datensatz, einzig wegen der Standorte der Kameras und des Verhaltens der Tiere.

Time-to-Event und Space-to-Event: die Uhr und die Lücken zählen

Der neueste Zweig kam von Biologen, die wie Überlebenszeitanalytiker dachten. Wenn eine Kamera Ereignisse laufend aufzeichnet, dann trägt die Zeit, bis das erste Tier auftaucht, Information über die Abundanz. Das ist das Time-to-Event-Modell (TTE). Das Problem ist, dass TTE, wie REM, von einer unabhängigen Bewegungsschätzung abhängt und daher empfindlich gegenüber der Bewegungsgeschwindigkeit ist — in Simulationen neigte es dazu zu unterschätzen, schlimm bei langsam ziehenden Populationen.

Also tat dasselbe Team etwas Geschicktes: Sie kollabierten jede Beprobungsgelegenheit auf einen einzigen Augenblick. Wenn man nur einen eingefrorenen Moment betrachtet, kann die Tierbewegung während des Intervalls einen nicht verzerren. Das ist das Space-to-Event-Modell (STE), und seine Schätzungen sind völlig unempfindlich gegenüber der Bewegungsrate. STE nutzt Zeitraffer-Fotos — Bilder, die nach Zeitplan statt durch Bewegungsauslösung aufgenommen werden —, was einen zweiten, unterschätzten Vorteil mit sich bringt: Es umgeht das ganze Problem der variablen Bewegungssensor-Erfassung, denn ein geplantes Bild enthält entweder ein Tier oder eben nicht. Eine weitere Vereinfachung, das Instantaneous Sampling (IS), zählt einfach die Tiere in jedem Zeitrafferbild als Stichprobe fester Fläche.

In einem Feldtest an überwinternden Wapitis lieferte STE die beste Präzision der neuen Methoden, ohne irgendeine Bewegungsangabe zu benötigen, und landete nahe dem Ergebnis einer Luftzählung. Diese Methoden lösen auch leise Arbeitsprobleme: TTE erlaubt einer Auswertung, nach der ersten Erfassung mit dem Sichten der Bilder aufzuhören, und STE erlaubt es, die Abundanz zu schätzen, ohne zu zählen, wie viele Tiere auf jedem Foto sind — eine echte Ersparnis, da Zählungen pro Foto langsam und fehleranfällig sind. Die Abwägung ist, dass Zeitraffer zu häufigen Arten passt; bei wirklich seltenen Tieren werden die geplanten Bilder größtenteils leer sein. Und alle drei nehmen an, dass die Tiere annähernd zufällig (Poisson) um jede Kamera verteilt sind, was bei eng sozialen oder territorialen Arten strapaziert wird.

Frier die Stichprobe auf einen einzigen Augenblick ein, und die Tiergeschwindigkeit kann dich nicht länger täuschen — dieser eine Kniff ist es, der Space-to-Event von allem trennt, was wissen muss, wie schnell sich Tiere bewegen.

Welche also solltest du verwenden?

Hier verdient sich die Literatur ihren Lohn, denn jemand ließ die Methoden endlich nebeneinander laufen, statt sich für eine starkzumachen. Palencia und Kollegen setzten REM, REST und CT-DS auf dieselben sechs Populationen von Rothirsch, Wildschwein und Rotfuchs an. Das beruhigende Ergebnis: In fünf von sechs Populationen erbrachten die drei Methoden keinen statistisch signifikanten Unterschied in der Dichte und eine ähnliche Präzision. Sie sind sich nicht wild uneinig.

Doch das Feingefüge liegt in den Unterschieden. REM neigte dazu, höher zu lesen als REST und CT-DS (die, wie die Autoren zeigen, mathematisch äquivalent sind). Bei Präzision und Aufwand kam REST vorn heraus — niedrigster Variationskoeffizient, geringste Bildverarbeitungszeit — während CT-DS die meiste Analyse verlangte. Das brachte die zitierfähigste Faustregel des Feldes hervor:

Behandle diese Tabelle als Ausgangspunkt, nicht als Urteil. Die tiefere Anleitung aus der Übersichtsliteratur ist, anhand von drei Dingen zu wählen: der Naturgeschichte deiner Zielart (trödelt sie? zieht sie in Rudeln? klettert sie auf Bäume?), einem sorgfältig definierten Stichprobenrahmen und dem, welche Datenerhebung für dich tatsächlich machbar ist. Eine Methode, die theoretisch die beste ist, die du aber nicht sauber ausführen kannst, verliert gegen eine einfachere, die du ausführen kannst.

Und behalte die Validierungsstudien im Blick, denn sie dämpfen den Optimismus. Als Forschende REM, CT-DS und TTE über zehn neotropische Arten hinweg gegen die Spatial-Capture-Recapture-Wahrheit testeten, waren die unmarkierten Methoden genau, aber weniger präzise für mäßig häufige Arten wie Ozelots — und versagten bei Jaguaren, der seltenen Art, wo sie SECR nicht erreichen konnten. Der unverblümte Schluss: Unmarkierte Modelle sind für zahlreiche bis relativ seltene Tiere vielversprechend, aber für wirklich seltene willst du weiterhin Markierungen. Auch die statistische Power zählt: Die Präzision zu erreichen, die nötig ist, um einen realen Bestandsrückgang nachzuweisen, erfordert oft 100-plus Kamerastandorte, und für seltene Arten reicht selbst das womöglich nicht.

Der Gegensatz: Spatial Capture-Recapture, wenn du Individuen auseinanderhalten kannst

Es lohnt sich, klar zu benennen, was diese unmarkierten Methoden umschiffen. Wenn Tiere individuell identifizierbar sind — natürliche Fellmuster, Narben oder angebrachte Marken — ist Spatial Capture-Recapture (SECR) der Standard, und es tut etwas, das die unmarkierten Methoden nicht können: Es schätzt die effektiv beprobte Fläche statistisch, aus dem Muster, wo dasselbe Individuum wiedererfasst wird. Genau das ist das Nennerproblem, an dem sich die unmarkierte Familie vorbeischätzen muss.

Der Grund, warum SECR nicht für die meisten Projekte die Antwort ist, liegt schlicht daran, dass den meisten Arten brauchbare Markierungen fehlen. Eine Übersicht über SECR-Studien mit Fotofallen fand eine starke Schlagseite zu großen Katzen — den Streifen-und-Flecken-Arten —, weil dort die individuelle Bestimmung machbar ist, und für viele dieser Arten liefert SECR die einzigen Basis-Dichteschätzungen, die existieren. Die zwei Welten treffen sich in den Vergleichsstudien, und die Vergleiche sind ermutigend: Führt man markiertes SECR und unmarkiertes CT-DS und REM an derselben Baummarder-Population durch, landen sie alle in derselben Größenordnung (Punktschätzungen von 0,49 bis 1,20 Tieren pro km²) und unterscheiden sich hauptsächlich in Präzision und Kosten. CT-DS war in jenem konkreten Wettstreit tatsächlich die präziseste Methode. Die unmarkierten Methoden sind kein schlechter Ersatz für SECR — sie sind ein legitimes Werkzeug, das schlicht etwas Präzision dafür eintauscht, niemanden erkennen zu müssen.

Die Maschinerie unter jeder Methode

Beachte, was in jedem Abschnitt oben immer wieder auftauchte: der Erfassungsbereich und das Aktivitätsniveau. Diese zwei Teile der Verrohrung speisen fast alle Methoden, und sie falsch anzusetzen korrumpiert leise alles Nachgelagerte.

Die effektive Erfassungsdistanz — wie weit die Kamera Tiere zuverlässig wahrnimmt — ist keine feste Eigenschaft der Kamera. Sie skaliert stark mit der Körpermasse (größere, wärmere Tiere lösen den Sensor aus größerer Entfernung aus) und ist kürzer in dichter Vegetation. In einem tropischen Walddatensatz variierte die effektive Erfassungsdistanz über die Arten hinweg um fast das Dreifache und lief in der Trockenzeit etwa 70 % länger als in der Regenzeit. Die praktischen Folgen sind scharf. Du kannst die Erfassungsdistanz einer Art nicht für eine andere wiederverwenden — den Erfassungsbereich einer Hauskatze für einen Baummarder zu verwenden, unterschätzt die Dichte des Marders, weil der Marder in anderer Reichweite wahrgenommen wird. Und ein scheinbarer Unterschied in der Habitatnutzung zwischen zwei Standorten kann sich als nichts weiter als ein durch Vegetation verursachter Unterschied in der Erfassungsdistanz herausstellen. Die Abhilfe ist günstig: Entfernungsmarken im Sichtfeld aufstellen (mindestens fünf Intervalle) und eine Erfassungsfunktion daran anpassen, welche Marke jedes Tier überschreitet. Stell Kameras stets mit diesen Marken auf, damit du die Erfassungsraten hinterher korrigieren kannst.

Das Aktivitätsniveau — der Anteil des Tages, an dem die Tiere aktiv sind — ist die andere gemeinsame Korrektur, die von REST, CT-DS und TIFC genutzt wird, um Erfassungen auf die richtige Zeitbasis zu stellen. Es beruht auf einer Annahme, die einen skeptischen Blick verdient: dass alle Individuen zum täglichen Höhepunkt aktiv sind. Wenn das gilt, funktioniert die Methode; wenn nicht, überschätzt du die Aktivität und damit unterschätzt du die Dichte. Und es gilt nicht immer — große Beutegreifer, deren Jagdzyklen sich über Tage erstrecken, oder Kleinsäuger in tiefen Winterkurztagen in hohen Breiten können es verletzen. Das ist der eine Faden, der die Fehlermodi zusammenbindet: Eine Multiarten-Studie sagte es klar, dass REM, REST und CT-DS alle explizit eine Aktivitätsannahme enthalten, während die Time-to-Event-Methoden eine unausgesprochene mit sich tragen — dass Tiere stets verfügbar sind. Eine Kontrolle mit gepaarten Kameras in jener Arbeit fand, dass 9 % der Tiere in einem angeblich sicheren Erfassungsbereich schlicht übersehen wurden, was das Vertrauen eines jeden in „perfekte Erfassung bei Entfernung null“ dämpfen sollte.

Den Erfassungsbereich oder das Aktivitätsniveau falsch anzusetzen korrumpiert leise jede Dichteschätzung, die darauf aufbaut.

In der Praxis: Feld- und Software-Aspekte

Wenn du sonst nichts aus den Vergleichs- und Validierungsarbeiten mitnimmst, nimm diese zwei nicht verhandelbaren Punkte mit, die jede Methode teilt:

1. Platziere Kameras zufällig in Bezug auf die Tierbewegung. Verwende ein zufälliges oder systematisches Design mit zufälligem Ausgangspunkt. Eine Kamera ein paar Meter zu verschieben, um einen Baum zu erreichen, ist in Ordnung; bewusst einen Wechsel, eine Plätzstelle, eine Suhle oder Köder zu wählen, ist für eine unverzerrte Schätzung fatal.
2. Verwende leistungsstarke Kameras. Schnelle Auslösung (deutlich unter einer Sekunde), zuverlässige Erholung und entweder Video oder rasche Bildserien. Langsame oder unzuverlässige Auslösungen untergraben die Annahme der „sicheren Erfassung“ im Kern von REM, REST, CT-DS und TTE gleichermaßen.

Beim Aufwand ist die nüchterne Rechnung ernüchternd, aber nützlich. Die Aufeinandertreffen-Rate zwischen Kameras dominiert die Varianz, daher schlagen mehr Kamerastandorte längere Einsätze an weniger Standorten. Konkrete CT-DS-Vorgaben aus einer großen Studie zu Aufwand versus Präzision: Ein Variationskoeffizient um 20 % braucht grob 100 Beprobungstage an 50 Standorten oder 100 bis 150 Standorte für eine kürzere Erhebung; auf einen CV von 10 % zu drücken kann mehr als 200 Standorte erfordern. Plane entsprechend, und sei ehrlich zu dir selbst, bevor du beginnst, ob deine Zielart häufig genug ist, um überhaupt eine brauchbare Präzision zu erreichen.

Auf der Softwareseite ist die gute Nachricht, dass die Werkzeuge offen sind und besser werden. Dichteschätzung in R ist gut unterstützt — es gibt eine gepflegte Anleitung, die REM, Time-to-Event und Space-to-Event, N-Mixture und unmarkiertes Spatial Capture-Recapture abdeckt — und die Aktivitätskorrektur wohnt im Paket `activity`, während Distance Sampling das Programm Distance im Rücken hat. Dasselbe R-orientierte Kapitel ist erfrischend offen, dass die Dichteschätzung aus Kameradaten „nicht einfach ist, oft nicht präzise“ und in der Regel echte Arbeit bedeutet — eine gesunde Haltung, die man mitnehmen sollte.

Das Grenzland ist die Automatisierung, und sie kommt schnell. Ein halbautomatisierter CT-DS-Arbeitsablauf nutzt nun ein Deep-Learning-Tiefenmodell plus einen automatischen Tierdetektor, um Beobachtungsdistanzen direkt aus den Fotos zu messen, kalibriert mit nur zwei Referenzbildern pro Kamera. Es lieferte Dichteschätzungen, die statistisch nicht von mühevoller manueller Messung zu unterscheiden waren, und verkürzte dabei die Datenverarbeitungszeit um mehr als das Dreizehnfache — es kollabierte Wochen an Entfernungsannotation auf ein paar Tage. Auch Multiarten-Methoden schreiten voran: Eine bayessche Erweiterung von REM schätzt nun die Dichte für eine ganze Gemeinschaft auf einmal, einschließlich der allerseltensten Arten, allein aus Informationen, die aus den Bildern selbst gewonnen werden.

Das Fazit

Es gibt keine universelle Methode, und wer dir etwas anderes erzählt, will etwas verkaufen. REM, CT-DS, REST, TIFC und die Time-to-Event-Familie sind alle legitim, alle fachlich begutachtet und alle in der Lage, Dichteschätzungen zu liefern, die unabhängigen Erhebungen standhalten — wenn ihre Annahmen respektiert werden. Wähle nach dem Verhalten deiner Art und deinen Datenrealitäten, nicht danach, welche Methode die schönste Herleitung hat. Respektiere die zufällige Platzierung über alles. Vermiss deinen Erfassungsbereich. Prüfe die Aktivitätsannahme. Und dimensioniere deine Erhebung auf die Präzision, die du tatsächlich brauchst, im Wissen, dass die Antwort für seltene Arten immer noch lauten kann „ohne Markierungen kommst du da nicht hin“. Mit dieser klarsichtigen Demut eingesetzt, verwandeln Kameras einen Haufen nicht zuordenbarer Fotos in eines der mächtigsten, am wenigsten invasiven Dichtewerkzeuge, die die Wildtierbiologie hat.

Häufig gestellte Fragen