Von Zeitstempeln zu Aktivitätsmustern: ein Fotofallen-Workflow

Jedes Foto, das deine Kameras aufgenommen haben, trägt bereits die wertvollste Zahl des gesamten Datensatzes in sich – und es ist nicht die Art. Es ist die Tageszeit. Eine Fotofalle löst aus, wenn ein Tier anwesend ist, also ist der Stapel Zeitstempel, den du gesammelt hast, eine Stichprobe davon, wann dieses Tier wach und in Bewegung war – mehr Auslösungen, wenn es aktiv ist, weniger oder keine, wenn es ruht. Lies genug dieser Zeiten ab, und du kannst die Form des Tages einer Art rekonstruieren: wann es sich regt, wann es seinen Höhepunkt hat, wann es still wird. Das ist ein Aktivitätsmuster, und eine Fotofalle ist eine der wenigen günstigen, nicht-invasiven Möglichkeiten, eines zu bekommen.

Hier ist die ganze Pipeline in einem Atemzug, damit du weißt, worauf das hinausläuft. Du ziehst eine saubere Datums-Uhrzeit aus jedem Bild (fast immer aus den EXIF-Metadaten, manchmal, indem du den ins Foto eingebrannten Zeitstempel ausliest); du entscheidest, welche Datensätze als unabhängige Ereignisse zählen; du wandelst diese Uhrzeiten in eine zirkuläre Skala um und, falls deine Studie mehrere Jahreszeiten umspannt oder weit vom Äquator entfernt liegt, in Sonnenzeit; du passt eine zirkuläre Kernel-Dichte an die Zeiten an, um die Aktivitätskurve zu schätzen; und wenn du zwei Arten vergleichst, berechnest du den Überlappungskoeffizienten (Δ) zwischen ihren Kurven. In R lebt die Arbeit fast vollständig in drei Paketen – `overlap`, `activity` und `camtrapR` – und das Ganze ruht auf einer unspektakulären Voraussetzung: rund 100 Erfassungen der Art, bevor du der Kurve traust.

Keiner dieser Schritte ist schwer. Mehrere davon lassen sich leise und unsichtbar falsch machen – eine Uhr, die abgedriftet ist, ein „Unabhängigkeits“-Filter, der genau den Höhepunkt löscht, den du messen willst, ein Sonnenaufgang, der sich zwischen Juni und Dezember um drei Stunden verschoben hat, während deine x-Achse stehen blieb. Dieser Beitrag geht die Pipeline von Anfang bis Ende durch und markiert – ebenso wichtig –, wo sich eine vertrauenswürdige Aktivitätsanalyse von einer wertlosen unterscheidet. Der Unterschied liegt meist nicht in der Statistik. Er liegt in der Datenhygiene stromaufwärts davon.

Zuerst: saubere Datums-Uhrzeiten aus jedem Foto gewinnen

Du kannst später nicht rekonstruieren, wann ein Tier fotografiert wurde – es gibt dafür keine zweite Quelle, wie es sie etwa für die Koordinaten einer Kamera gibt. Wie es der GBIF-Leitfaden für bewährte Praktiken unverblümt formuliert: Datum und Uhrzeit sind „der wichtigste Aspekt ihrer Metadaten … und lassen sich später nicht ableiten“. Dieser Schritt verdient also mehr Sorgfalt, als er meist bekommt.

Der saubere Weg sind die eingebetteten Metadaten. Wenn eine Kamera ein JPEG schreibt, stempelt sie die Aufnahmezeit in den EXIF-Block, in das Feld `DateTimeOriginal`. Werkzeuge lesen dieses Feld direkt: Die Funktion `recordTable()` von `camtrapR` stützt sich auf ExifTool, um `DateTimeOriginal` aus jedem Bild zu ziehen und eine ordentliche Datensatztabelle aus Standort, Art und Zeit zusammenzustellen. Wenn deine Bilder gutes EXIF tragen, ist das ein gelöstes Problem – richte die Funktion auf deine Ordner, und du hast maschinenlesbare Datums-Uhrzeiten auf die Sekunde genau.

Zwei vorgelagerte Gewohnheiten machen all das sicherer, und beide betreffen die Kamera, nicht die Software. Erstens: Stell die Uhr auf UTC oder lokale Winterzeit und deaktiviere die automatische Umstellung auf Sommerzeit. Die Sommerzeit ist ein stiller Saboteur von Aktivitätsdaten: Wenn du die Uhr einer Kamera im Sommer stellst und sie nichts von der Sommerzeit weiß, landet jedes Winterfoto eine Stunde neben der wahren Uhrzeit, und umgekehrt – ein systematischer Ein-Stunden-Fehler, über die Hälfte deiner Datensätze verschmiert. Der Rat von `camtrapR` ist die pragmatische Fassung derselben Regel: Wenn dein Untersuchungsgebiet die Sommerzeit nutzt, deine Kameras sie aber nicht erfassen, belasse die Analyse-Zeitzone bei UTC, denn UTC hat keinen Sommerzeit-Sprung, über den man stolpern könnte. Zweitens: Wenn du Dateien selbst benennst oder organisierst, beginne Dateinamen mit dem Datum – `YYYYMMDD_HHMMSS` –, damit ihre alphabetische Sortierung sie zugleich chronologisch sortiert, und schreibe Zeiten in ISO 8601 (`YYYY-MM-DDTHH:MM:SS`), wenn du exportierst.

Wenn du im Nachhinein feststellst, dass die Uhr einer Kamera falsch gestellt war – ein ganzer Einsatz um einen bekannten Betrag verschoben –, ist das behebbar. `camtrapR` enthält `timeShiftImages()`, um die Zeitstempel in den Bildmetadaten stapelweise zu korrigieren, und ein eigenes `fixDateTimeOriginal()` für einen bestimmten Fehlerfall: gewisse Reconyx-HyperFire-Kameras, die Datum und Uhrzeit nicht im Standard-Tag speichern. Sichere die Bilder vorher. Der Punkt ist: Früh erkannte Uhrfehler sind ein Ärgernis; nie erkannte Uhrfehler werden zu einem erfundenen Aktivitätsmuster.

Definiere deine Kategorien – aber wisse, dass sie ein grober erster Durchgang sind

Vor jeder Kurvenanpassung hilft es, das Vokabular zur Hand zu haben, das das Fachgebiet von Anfang an genutzt hat. In dem Moment, in dem Forschende erkannten, dass Kamera-Zeitstempel Aktivität beschreiben können, war das Erste, was sie taten, Arten in vier Schubladen zu sortieren:

• Tagaktiv – überwiegend bei Tageslicht aktiv.
• Nachtaktiv – überwiegend nachts aktiv.
• Dämmerungsaktiv (krepuskular) – überwiegend in der Dämmerung aktiv, um Morgen- und Abenddämmerung herum.
• Kathemeral – über Tag und Nacht hinweg aktiv, ohne starke Vorliebe.

Das sind nicht bloß Bauchgefühle; man kann sie operational definieren. In einer zweijährigen Erhebung von acht Säugetieren in Nordjapan ordneten Ikeda und Kolleginnen jedes Foto in Tag, Nacht oder Dämmerung ein, verglichen die Fotohäufigkeit über die drei Perioden mit einer einfaktoriellen ANOVA und wiesen jeder Art eine Kategorie zu: tagaktiv, wenn die Fotos sich am Tag häuften, nachtaktiv, wenn nachts, dämmerungsaktiv, wenn in der Dämmerung, und kathemeral, wenn es „keinen Unterschied“ zwischen den drei Perioden gab. Das ergab saubere Einordnungen – Eurasische Eichhörnchen tagaktiv, Marderhunde und Waschbären nachtaktiv, Sikahirsche und Schneehasen dämmerungsaktiv, Japanische Marder und Braunbären kathemeral.

Zwei Vorbehalte kommen mit den Schubladen. Der erste ist, dass sie tatsächlich grob sind und die interessantesten Befunde in den Ritzen zwischen ihnen wohnen. Ebenjene Sikahirsche „verlagerten ihre Höhepunkte von der Dämmerung im Frühjahr–Herbst zum Tag im Winter, möglicherweise wegen thermischer Zwänge“, und die Marder waren die meiste Zeit des Jahres kathemeral, im Herbst aber nachtaktiv. Ein einzelnes Kategorienlabel hätte beides ausgelöscht. Der zweite Vorbehalt ist der Maßstab. Global ist die Vierteilung schief: In einem Datensatz aus Tausenden von Säugetierarten fanden Bennie und Kolleginnen, dass „die Mehrheit der Säugetierarten nachtaktiv ist (69 % …; 20 % tagaktiv, 8,5 % kathemeral und 2,5 % dämmerungsaktiv)“, und dass die Strategie über den Säugetier-Stammbaum hinweg tief konserviert ist (Pagels λ = 0,947). Deine Standardvermutung für ein unerforschtes Säugetier sollte also „wahrscheinlich nachtaktiv“ lauten, und eine selbstsichere Einstufung als tagaktiv verdient einen zweiten Blick – besonders angesichts der Platzierungsfallen, zu denen wir später kommen. Kategorien sind eine nützliche Schlagzeile. Die Aktivitätskurve ist die Geschichte.

Kategorien sind eine nützliche Schlagzeile. Die Aktivitätskurve ist die Geschichte.

Zeitliche Unabhängigkeit: die folgenreichste – und umstrittenste – Entscheidung, die du triffst

Hier zerschellen gute Absichten an Aktivitätsanalysen. Kameras machen nicht ein Foto pro Besuch. Ein einzelnes Tier, das vor dem Objektiv verweilt, oder eine Kamera, die pro Auslösung Serien von drei oder zehn Bildern schießt, kann aus einem einzigen Moment der Aktivität Dutzende Zeitstempel erzeugen. Belässt man sie, stapeln sich diese fast identischen Zeiten und verzerren die Kurve hin zu „den Zeiten, zu denen die Art zufällig vor deinen Kameras auftrat“ – in der einprägsamen Formulierung von `camtrapR` über einen Großen Argusfasan, der das Rampenlicht liebte.

Die Standardlösung ist ein Zeit-bis-Unabhängigkeit-Filter (in `camtrapR` das Argument `minDeltaTime`): Fasse alle Datensätze derselben Art am selben Standort, die innerhalb eines bestimmten Fensters liegen – 30 Minuten und 60 Minuten sind die üblichen Wahlen –, zu einem einzigen Ereignis zusammen. Er ist leicht anzuwenden. `camtrapR`s `recordTable()` verwendet standardmäßig `minDeltaTime = 0` (alles behalten) und lässt dich etwa 60 setzen, um die Daten auszudünnen; im Beispiellauf des Pakets werden aus 68 Bildern nach Entfernen doppelter Zeiten 56 Datensätze, dann 40, sobald ein Ein-Stunden-Filter angewandt wird. Entscheidend: `minDeltaTime` „beeinflusst alle Ergebnisse der Aktivitätsdiagramme, da es die zeitliche Unabhängigkeit zwischen Datensätzen bestimmt“ – ändere das Fenster, und du änderst die Kurve.

Und genau das ist das Problem, denn die Konvention ist an der Wurzel umstritten. Peral und Kolleginnen sichteten 134 frei zugängliche Fotofallen-Aktivitätsstudien und fanden, dass „fast 70 % (90 von 134 …) einen Zeit-bis-Unabhängigkeit-Filter anwenden“, typischerweise 30 Minuten, manchmal 60 oder gar 24 Stunden. Ihr Einwand dagegen ist konzeptionell: Diese Filter wurden aus der Abundanzschätzung entlehnt, wo mehrere Fotos eines Individuums die Zählungen aufblähen, doch Aktivität ist keine Reihe diskreter Ereignisse – sie ist ein kontinuierlicher Zustand. So wie sie es fassen, lässt der Filter den Beobachter „faktisch entscheiden, dass das Tier in diesem Zeitraum inaktiv ist, und verwirft damit bedeutsame Information über tierische Aktivität“. Schlimmer noch, der Schaden ist ungleich verteilt. Anhand eines Serengeti-Datensatzes von 164.509 Bildern zeigten sie, dass häufige, gesellige Pflanzenfresser „74–93 % der Aktivitätsdaten verloren, als die Zeit-bis-Unabhängigkeit von 1 auf 60 Minuten stieg“, während seltene Fleischfresser nur 21–23 % verloren. Die Filterung schrumpfte nicht bloß die Stichproben; sie verformte die Kurven – der Mittagsgipfel der Gazelle fiel um bis zu 44 % – und weil sie Pflanzen- und Fleischfresser asymmetrisch traf, verzerrte sie eben jene Räuber-Beute-Überlappungsvergleiche, die man durchführt. Ihr Fazit ist eindeutig: Der Gebrauch von Zeit-bis-Unabhängigkeit-Filtern in der Aktivitätsschätzung „ist nicht valide und sollte nicht verwendet werden“.

Was solltest du also tatsächlich tun? Lies Peral nicht als „behalte jedes Einzelbild roh“. Lies es genau. Serienbilder – die zehn Aufnahmen, die eine Kamera bei einer einzigen Auslösung schießt – sind gar keine Stichprobe von Verhalten; sie sind eine nutzerdefinierte Einstellung, und Peral sagt ausdrücklich, dass diese aus Aktivitätsanalysen ausgeschlossen werden sollten. Die Streitfrage ist enger, als sie zunächst wirkt: Fast alle sind sich einig, dass du das künstliche Aufstauen aus Serien und aus einem einzelnen herumlungernden Tier entfernen musst. Die lebendige Uneinigkeit ist, ob man dann obendrauf ein festes Uhrzeit-Fenster (30 oder 60 Minuten) aufzwingt. Die neuere, vertretbare Position lautet, nur die offensichtliche Nicht-Unabhängigkeit zu entfernen und die Datensätze ansonsten zu behalten – oder, wenn du filterst, zu berichten, was die Filterung mit deinen Schätzungen macht, statt 30 Minuten zu wählen, weil es alle anderen so machen. Was auch immer du wählst, benenne es. Ein Aktivitätsergebnis ist ohne seine Unabhängigkeitsregel nicht interpretierbar, und die Tatsache, dass veröffentlichte Studien „variable und willkürliche“ Fenster nutzten, bedeutet, dass ihre Kurven oft nicht sinnvoll miteinander verglichen werden können. Sei die Studie, die explizit ist.

Ein Aktivitätsergebnis ist ohne seine Unabhängigkeitsregel nicht interpretierbar. Sei die Studie, die explizit ist.

Die Kurve anpassen: zirkuläre Kernel-Dichte und der Von-Mises-Kernel

Nun die Statistik, die der einfache Teil ist. Die Tageszeit ist zirkulär – 23:59 grenzt an 00:00, sie liegt nicht elf Stunden davon entfernt –, also kannst du keine gewöhnliche Dichtekurve daran anpassen. Du passt eine zirkuläre an. Der Standardansatz, für Kameradaten von Ridout und Linkie eingeführt und heute Standard des Fachs, passt eine Kernel-Dichte an die beobachteten Zeiten an, indem er einen Von-Mises-Kernel (das zirkuläre Analogon zum Gauß-Kernel) statt des üblichen geradlinigen Kernels verwendet. Das Ergebnis ist eine glatte Wahrscheinlichkeitsdichte über den 24-Stunden-Zyklus: hoch, wo das Tier aktiv ist, niedrig, wo es das nicht ist.

Ein paar Mechaniken zählen. All diese Werkzeuge arbeiten in Bogenmaß, nicht in Stunden oder Tagesbruchteilen, also wandelt die erste Zeile fast jedes Skripts um: `timeRad <- time 2 pi`. Die Glättung wird über eine Bandbreite gesteuert, im Paket `overlap` als Argument `adjust` zugänglich – hebe es über den Standardwert 1 für eine flachere Kurve, senke es für eine spitzere –, und die Wahl beeinflusst nachgelagerte Überlappungsschätzungen, ist also nicht rein kosmetisch. Im Paket `activity` erledigt dieselbe Aufgabe `fitact()`, das den zirkulären Kernel anpasst und, weil sich mehr Datensätze ansammeln, wenn das Tier aktiver ist, ein Gesamt-Aktivitätsniveau ableitet – den Anteil des Tages, den die Population aktiv verbringt – aus der Fläche unter der Verteilung.

Zwei R-Pakete dominieren, und sie ergänzen einander. Nutze `overlap` (Funktionen `densityPlot()`, `overlapPlot()`, `overlapEst()`), wenn deine Frage den Vergleich der Kurven zweier Arten betrifft. Nutze `activity` (`fitact()`, `solartime()`, `compareCkern()`), wenn du eine quantifizierte Schätzung des Aktivitäts-niveaus mit gebootstrappten Konfidenzintervallen willst oder reichere Werkzeuge, um Verteilungen statistisch zu vergleichen. Und `camtrapR` verbindet sie mit deinen Bildern: Sein `activityDensity()` ruft `overlap::densityPlot()` auf, `activityOverlap()` ruft `overlap::overlapPlot()` und `overlapEst()` auf, und `activityRadial()` sowie `activityHistogram()` liefern dir die Zifferblatt- und Stundenbalken-Ansichten, alle direkt aus der Datensatztabelle gelesen. Zur Visualisierung der Ergebnisse sind der Radialplot und die überlagerte Dichtekurve die beiden Arbeitspferde; die Dichtekurve ist die, die man veröffentlicht, weil sie die tatsächlich geschätzte Form zeigt, statt auf ganze Stunden zu aggregieren.

Die Tageszeit ist zirkulär – 23:59 grenzt an 00:00, sie liegt nicht elf Stunden davon entfernt –, also kannst du keine gewöhnliche Dichtekurve daran anpassen.

Arten vergleichen: der Überlappungskoeffizient (Δ)

Der mit Abstand häufigste Grund für diese Analyse ist die Frage, ob zwei Arten sich den Tag teilen – Räuber und Beute oder zwei Konkurrenten. Die Standardkennzahl ist der Überlappungskoeffizient Δ, die Fläche, die unter beiden Dichtekurven liegt: Er reicht von 0 (überhaupt keine Überlappung) bis 1 (identische Aktivitätsmuster). Denk an ihn als den Anteil der Aktivität, den die beiden Arten gemeinsam haben.

Welchen Schätzer du verwendest, hängt von deiner kleineren Stichprobengröße ab, und das bringt Leute ins Straucheln. Das Paket `overlap` bietet drei – Dhat1, Dhat4 und Dhat5 – und die Empfehlung ist konkret: nutze Dhat1 für kleine Stichproben und Dhat4 für größere. Wo genau die Schwelle liegt, wird von denselben Autoren an verschiedenen Stellen etwas unterschiedlich angegeben, was zu wissen sich lohnt: Die Paketdokumentation sagt, „Dhat4 ist am besten, wenn die kleinste Stichprobe mindestens 50 Beobachtungen hat“, während die Paketvignette den Übergang höher ansetzt und Dhat1 empfiehlt, wenn die kleinere Stichprobe unter 50 liegt, und Dhat4, wenn sie „größer als 75“ ist, mit einer Grauzone dazwischen. Die praktische Lesart: deutlich über rund 75 in deiner kleineren Stichprobe, Dhat4; klar klein, Dhat1; dazwischen bevorzuge Dhat1 und überinterpretiere nicht. Eine Regel steht in jeder Quelle fest – nutze Dhat5 nicht, denn „selbst winzige Änderungen in den Daten können zu großen, unstetigen Änderungen in Dhat5 führen, und es kann Werte > 1 annehmen“. (Hinweis für `camtrapR`-Nutzer: `activityOverlap()` gibt standardmäßig Dhat1 zurück, wenn deine Stichproben also groß sind, übergib `overlapEstimator = "Dhat4"`, statt den Standard zu akzeptieren.)

Konfidenzintervalle kommen aus einem Bootstrap, und ein geglätteter ist vorzuziehen – passe eine Dichte an, ziehe dann simulierte Beobachtungen daraus –, weil einfaches Resampling niemals eine Zeit außerhalb deines beobachteten Bereichs erzeugen kann, was für ein kontinuierliches Aktivitätsmuster falsch ist. Nutze genug Wiederholungen: Beispiele zeigen oft 1.000, doch die Vignette ist deutlich, dass „für eine echte Analyse 10.000 Bootstrap-Stichproben besser wären“, und das Paket warnt, dass man „für stabile Schätzungen mindestens 999 Bootstrap-Schätzungen braucht, vorzugsweise 10.000“.

Durchgerechnete Zahlen machen das greifbar. Im kanonischen Kerinci-Beispiel ergaben Tiger und Makaken in einer Zone – beide mit mehr als 75 Beobachtungen – eine Dhat4-Überlappung von 0,42, eine mäßige, partielle Überlappung. In einer nordirischen Räuber-Beute-Studie überlappten Füchse und Feldhasen jährlich zu 73 % (KI 68–77 %), Füchse und Kaninchen zu 80 %, Füchse und Waldmäuse zu 81 % – der Tag des Räubers folgte dem seiner Beute –, während Baummarder und tagaktive Eichhörnchen das Gegenteil zeigten, eine Asynchronie im Einklang mit zeitlicher Vermeidung. Unter sympatrischen Großraubtieren auf dem Qinghai-Tibet-Plateau überlappten Schneeleoparden und Luchse Δ = 0,88 (KI 0,80–0,95), Schneeleoparden und Wölfe 0,86, Wölfe und Luchse 0,83 – alle hoch, alle überwiegend nachtaktiv, wobei die Überlappung in der warmen Jahreszeit Richtung mäßig fiel. Eine verbreitete Konvention, um über diese Zahlen zu sprechen: unter 0,5 ist niedrige Überlappung, 0,5–0,8 mäßig, über 0,8 hoch. Eine nützliche Faustregel, kein Gesetz.

Wie viele Daten sind genug? Grob 100 Erfassungen

Du kannst jede Funktion oben an einem Dutzend Fotos laufen lassen. Du solltest es nicht. Die Frage der Stichprobengröße hat eine saubere empirische Antwort von Lashley und Kolleginnen, die kameragestützte Aktivitätskurven gegen die „Wahrheit“ aus Radiotelemetrie verglichen und die Daten unterabtasteten, um zuzusehen, wie die Genauigkeit abfällt. Ihr Befund: „Die mittlere Überlappung stieg und der Überlappungsfehler sank rasch mit wachsenden Stichprobengrößen, bis zu einer Asymptote nahe 100 Erfassungen“, jenseits derer mehr Daten kaum noch Verbesserung brachten. Ihre Empfehlung ist die Zahl, die man sich merkt – sammle mindestens 100 Erfassungen einer Zielart, bevor du ihre Aktivitätskurve schätzt.

Zwei ehrliche Vorbehalte rund um diese 100. Erstens kann der Aufwand, um 100 Erfassungen zu bekommen, „je nach Ökologie, Mobilität und Nachweisbarkeit der Art stark variieren“ – trivial für ein häufiges Reh, eine Saisonarbeit für eine seltene Katze. Ködern kann helfen: In jener Studie erreichten geköderte („aktive“) Kameras eine 700-fach höhere Reh-Erfassungsrate als passiv an Wechseln platzierte, was zählt, wenn man auf eine Stichprobe innerhalb eines biologisch bedeutsamen Zeitfensters hinarbeitet. Zweitens stimmten die Kamerakurven selbst bei guten Stichprobengrößen mit der Radiotelemetrie gut in der Form überein, unterschieden sich aber in der Höhe der Gipfel – die Überlappung mit der Telemetrie-Wahrheit lief bei Δ = 0,74–0,84, mit statistisch signifikanten Unterschieden, die sich auf die Spitzenfresszeiten konzentrierten. Kameras sind hervorragend dafür, wann eine Art aktiv ist; sei vorsichtiger, wenn du die genaue Höhe eines Gipfels abliest.

Für den Bootstrap selbst ist die Untergrenze niedriger, aber immer noch real: Das Paket `overlap` merkt an, dass 40 Bootstrap-Schätzungen das absolute Minimum für ein 95-%-Konfidenzintervall sind, 200 für 99 % – aber, nochmals, du willst Hunderte bis Tausende für Stabilität, nicht das Minimum.

Uhrzeit vs. Sonnenzeit: die Korrektur, die die meisten laxen Analysen überspringen

Das ist der Schritt, der eine sorgfältige Aktivitätsanalyse von einer schludrigen trennt, und er ist unsichtbar, wenn du nicht weißt, worauf du achten musst. Sonnenauf- und -untergang wandern durchs Jahr, und sie wandern umso mehr, je weiter du vom Äquator entfernt bist. Wenn du Fotos über Jahreszeiten hinweg auf einer festen Uhrzeit-Achse zusammenlegst, werden die zwei Gipfel eines dämmerungsaktiven Tieres – die eigentlich Morgen- und Abenddämmerung folgen – zu breiten, abgeflachten Buckeln verschmiert, weil „Morgendämmerung“ im Juni 05:00 Uhr und im Dezember 07:30 Uhr war. Lege über eine weit genug gespannte Spanne zusammen, und du kannst sogar Überlappung erzeugen, die es nicht gibt: Das Beispiel der Vignette von einer Fledermaus, die bei Sonnenuntergang ausfliegt, und einem Falken, der bei Sonnenuntergang aufbaumt, zeigt in jedem einzelnen Monat null Überlappung, doch die zusammengelegten Daten zeigen scheinbare Überlappung, rein weil sich der Sonnenuntergang verschoben hat.

Die Lösung ist, die Zeit jedes Fotos relativ zur Sonne statt zur Uhr auszudrücken. Beide Hauptpakete tun das. In `overlap` „wandelt `sunTime()` einen Vektor von Uhrzeiten in ‚Sonnenzeiten‘ um, indem es den Sonnenaufgang auf π/2 und den Sonnenuntergang auf 3π/2 abbildet“, gegeben Datum und Ort jedes Datensatzes. In `activity` verankert `solartime()` Uhrzeiten an mittlerem Sonnenauf- und -untergang für die Koordinaten der Studie und gibt sowohl eine Uhrzeit- als auch eine Sonnenzeit-Version zurück, sodass du sie vergleichen kannst. Die Faustregel, die daraus folgt: Je weiter du vom Äquator entfernt bist und je mehr des Jahres deine Studie umspannt, desto mehr zählt die Korrektur – die Annahmen der zugrunde liegenden Aktivitätsniveau-Methode sind ausdrücklich „bei großen Raubtieren oder in Wintern hoher Breiten weniger wahrscheinlich erfüllt“. Nahe dem Äquator oder für eine auf ein einziges kurzes Zeitfenster beschränkte Studie ist die Uhrzeit meist in Ordnung.

In der Praxis tun es die sorgfältigen Studien einfach. Eine 61-Arten-Studie über chinesische Bergwälder „wandelte die Uhrzeit jeder Erfassung in eine relative Sonnenzeit um, um die Auswirkungen der Tageslängenvariation auszuschalten“, bevor sie Kurven anpasste. Die Plateau-Raubtier-Studie standardisierte alle Aufnahmezeiten mit `overlap::sunTime()` auf Sonnenzeit, ausdrücklich, weil der Sonnenaufgang übers Jahr von 5:30 bis 8:30 Uhr reichte. Die nordirische Studie setzte jede Erfassung gegen das nächste Sonnenereignis ab – Morgendatensätze relativ zum Sonnenaufgang, Abenddatensätze relativ zum Sonnenuntergang –, sodass eine Erfassung um 22:10 Uhr bei einem Sonnenuntergang um 20:00 Uhr zu „−2 h 10 min“ wurde, einem sauberen Maß dafür, wie tief in die Nacht hinein das Tier aktiv war. Wenn deine Kameras einen einzigen Sommermonat lang an einer Stelle nahe den Tropen saßen, kannst du das überspringen. Andernfalls: umwandeln – und beachte, dass die Aktivitätsfunktionen von `camtrapR` Uhrzeit verwenden, nicht Sonnenzeit, sodass du die Korrektur, wenn du sie brauchst, selbst anwenden musst, bevor du plottest.

Das ist der Schritt, der eine sorgfältige Aktivitätsanalyse von einer schludrigen trennt, und er ist unsichtbar, wenn du nicht weißt, worauf du achten musst.

Die Fallstricke, die ein Aktivitätsmuster still ruinieren

Die meisten wertlosen Aktivitätsanalysen scheitern nicht an der Statistik. Sie scheitern stromaufwärts. Die wiederkehrenden Fehlerarten, grob nach Häufigkeit, mit der sie zubeißen:

• Uhrdrift und Sommerzeit. Oben behandelt, aber es ist der stille Fehler Nummer eins: Eine während der Sommerzeit gestellte Kamerauhr, oder ein Einsatz, dessen Uhr schlicht falsch war, reicht dir eine systematisch verschobene Kurve ohne Warnung. Prüfe die Uhren beim Aufstellen; stell sie auf UTC oder Winterzeit; deaktiviere die Sommerzeit-Umstellung.
• Ein Unabhängigkeitsfilter, der den Gipfel frisst. Ein 30- oder 60-Minuten-Filter kann 74–93 % der Datensätze eines geselligen Pflanzenfressers wegschneiden und seine geschäftigsten Stunden abflachen, während er ein seltenes Raubtier kaum berührt – und verzerrt so sowohl die Kurven als auch jeden Vergleich zwischen Arten. Entferne Serien und offensichtliches Herumlungern; überlege gut, bevor du ein festes Uhrzeit-Fenster aufzwingst, und berichte über dessen Wirkung, wenn du es tust.
• Zusammenlegen über Sonnenzeit hinweg ohne Korrektur. Verschmiert Gipfel und kann Überlappung erfinden. Wandle in Sonnenzeit um für mehrjahreszeitliche oder Daten hoher Breiten.
• Zu wenige Erfassungen. Unter rund 100 fallen Genauigkeit und Präzision schnell ab, und eine selbstsicher wirkende Kurve aus 18 Fotos ist überwiegend Rauschen.
• Platzierungsverzerrung – die heimtückische. Die verdient ihren eigenen Absatz.

Die Platzierungsfalle lohnt das Verweilen, weil sie sorgfältige Menschen täuscht. Kameras, die an Wechseln und Wegen aufgestellt sind – genau dort, wo man sie hinstellt, um Raubtiere zu erwischen oder die Erfassungen zu maximieren –, zeichnen Tiere auf, die Pfade nutzen, was nicht dasselbe ist wie Tiere, die aktiv sind. Tanwar und Kolleginnen führten das saubere Experiment in einem indischen Tigerreservat durch, indem sie Wechsel- und Zufallskameras nebeneinander einsetzten. Die Wechselkameras zeigten Huftiere – Axishirsch, Nilgauantilope, Wildschwein, Gazelle – mit „überwiegend tagaktivem Verhalten und sehr wenigen Aufnahmen bei Nacht“. Die Zufallskameras, die die Landschaft statt der Pfade beprobten, offenbarten bei denselben Arten erhebliche nächtliche Aktivität; die Nilgauantilope kippte sogar zu einem nachtaktiven Gipfel, wobei die Überlappung zwischen Wechsel- und Zufallsschätzungen bis auf Δ = 0,41 sank. Der Grund ist verhaltensbedingt: „Wechsel werden nachts ausgiebig von Raubtieren genutzt“, also meiden die Huftiere sie nach Einbruch der Dunkelheit – ein Anti-Raubtier-Manöver, das sie für eine Wechselkamera tagaktiv aussehen lässt. Die Warnung der Autoren ist eine, die jede Aktivitätsstudie beherzigen sollte: Veröffentlichte Aktivitätsmuster aus raubtierfokussierten Wechselerhebungen „sind wahrscheinlich zugunsten tagaktiven Verhaltens verzerrt“. Die overlap-Vignette macht denselben Punkt von der anderen Seite – eine Kamera an einem Wechsel misst „Gehen auf Wechseln“, also ist die Überlappung zweier Arten die Überlappung in ihrem Wechsel-Gehen, und „ein äsender Pflanzenfresser und das Raubtier, das ihm nachstellt, sind nach dieser Definition wahrscheinlich beide ‚inaktiv‘“. Die Lösung ist Design: Zufalls- oder abseits der Wechsel platzierte Kameras geben ein ehrlicheres Aktivitätsbild, und mindestens solltest du offenlegen, dass die Wechselplatzierung zum Tag hin verzerrt.

Ein letzter, feinerer Vorbehalt: Sei vorsichtig beim Zusammenlegen heterogener Daten jeder Art, nicht nur über Jahreszeiten. Standorte oder Perioden mit tatsächlich unterschiedlicher Aktivität zu kombinieren, bläht Überlappungsschätzungen auf, „und diese scheinbare Überlappung ist ein Artefakt des Zusammenlegens“. Und denk daran, was du eigentlich misst, sind Erfassungen an Kameras, die „aktiv“ als „an einem Sensor vorbeiziehend“ deuten – ein reales, aber unvollständiges Fenster auf Verhalten. Interpretiere Arteninteraktionen mit Bedacht; die mahnende Geschichte der Vignette ist eine Studie, in der Rothund und Wildschwein sich den Tag zu teilen schienen, was nahelegte, dass der Rothund Schweine fraß, bis eine Kotanalyse zeigte, dass der Rothund stattdessen überwiegend Hirsche fraß.

Die meisten wertlosen Aktivitätsanalysen scheitern nicht an der Statistik. Sie scheitern stromaufwärts.

Wohin das führt: hierarchische Modelle

Die Kernel-Dichteschätzung ist der Standard des Fachs, und für die meisten Fragen ist sie das richtige Werkzeug. Doch es lohnt, ihre Grenze zu kennen, denn die Methodenliteratur bewegt sich aktiv über sie hinaus. Iannarilli und Kolleginnen legen die Grenzen der KDE unverblümt dar: Sie legt Daten über Standorte hinweg zusammen und ignoriert so die Variabilität zwischen den Standorten, was zu überzuversichtlicher Unsicherheit führt; sie ist bei kleinen Stichproben empfindlich für die Bandbreitenwahl; sie kann keine Kovariaten einbeziehen oder Hypothesen formal testen; und sie „berücksichtigt nur Datensätze, in denen ein Tier erfasst wurde, und verwirft Information darüber, wann beprobt wurde, die Art aber nicht erfasst wurde“. Dieser letzte Punkt ist subtil, aber real – eine KDE wirft jede Kamerastunde weg, in der nichts geschah, obwohl diese Nullen Information darüber tragen, wann die Art nicht aktiv war.

Die vorgeschlagene Alternative sind hierarchische Modelle – trigonometrische verallgemeinerte lineare gemischte Modelle (Sinus- und Kosinus-Terme mit Standort-Zufallseffekten, via `glmmTMB` oder `lme4`) oder GAMs mit zyklischen kubischen Splines (via `mgcv`) –, die die Daten in Zeitintervalle einteilen, die Nicht-Erfassungen nutzen, die Variabilität zwischen Standorten berücksichtigen und dich testen lassen, wie die Jahreszeit oder die Anwesenheit eines Konkurrenten die Kurve verschiebt. In einer 100-Standort-Studie in Minnesota quantifizierte dieser Ansatz die Aktivität von Schwarzbär und Kojote und legte zugleich „erhebliche Heterogenität zwischen den Standorten offen, einen Aspekt, der von gepoolter KDE weitgehend ignoriert wurde“. Diese Modelle sind anspruchsvoller – eine gängige Faustregel sind 10 oder mehr Standorte, bevor man Zufallseffekte anpasst – und Overkill für eine Einzelart-, Einzelstandort-Beschreibung. Für die meisten Leserinnen ist KDE plus einer klar benannten Unabhängigkeitsregel und einer Sonnenzeit-Korrektur heute die richtige Wahl. Aber wenn deine Frage Kovariaten, mehrere Standorte oder formale Hypothesentests umfasst, ist dies der Ort, an dem man als Nächstes nachschaut.

Häufig gestellte Fragen