Jokainen kameroidesi ottama valokuva kantaa jo mukanaan koko aineiston arvokkainta lukua, eikä se ole laji. Se on vuorokaudenaika. Riistakamera laukeaa, kun eläin on paikalla, joten keräämäsi aikaleimojen kasa on otos siitä, milloin kyseinen eläin oli hereillä ja liikkeellä — enemmän laukaisuja silloin, kun se on aktiivinen, vähemmän tai ei lainkaan silloin, kun se lepää. Lue tarpeeksi monta noista ajoista, ja voit rekonstruoida lajin vuorokauden muodon: milloin se havahtuu, milloin sen aktiivisuus huipentuu, milloin se hiljenee. Se on eläimen aktiivisuusrytmi, ja riistakamera on yksi harvoista edullisista, kajoamattomista tavoista saada sellainen.
Tässä koko putki yhdellä henkäyksellä, jotta tiedät mihin ollaan menossa. Poimit puhtaan päivämäärä-ajan jokaisesta kuvasta (lähes aina EXIF-metatiedosta, joskus lukemalla itse valokuvaan poltetun aikaleiman); päätät, mitkä tietueet lasketaan riippumattomiksi tapahtumiksi; muunnat nuo kellonajat sirkulaariselle asteikolle ja, jos tutkimuksesi ulottuu yli vuodenaikojen tai sijaitsee kaukana päiväntasaajalta, aurinkoaikaan; sovitat ajoille sirkulaarisen ydinestimoinnin arvioidaksesi aktiivisuuskäyrän; ja jos vertailet kahta lajia, lasket niiden käyrien välisen päällekkäisyyskertoimen (Δ). R:ssä työ asuu lähes kokonaan kolmessa paketissa — `overlap`, `activity` ja `camtrapR` — ja koko juttu lepää yhden vaatimattoman edellytyksen varassa: noin 100 lajin havaintoa, ennen kuin luotat käyrään.
Mikään näistä vaiheista ei ole vaikea. Useat niistä on helppo tehdä hiljaa, huomaamatta väärin — kello, joka on ryöminyt, ”riippumattomuus”-suodatin, joka poistaa juuri sen huipun, jota yrität mitata, auringonnousu, joka siirtyi kolme tuntia kesäkuun ja joulukuun välillä samalla kun x-akselisi pysyi paikallaan. Tämä kirjoitus käy putken läpi päästä päähän ja, aivan yhtä tärkeänä, osoittaa, missä luotettava aktiivisuusanalyysi eroaa roska-analyysistä. Ero ei yleensä ole tilastotiede. Se on niitä edeltävä datahygienia.
Hanki ensin puhtaat päivämäärä-ajat jokaisesta kuvasta
Et voi jälkikäteen rekonstruoida sitä, milloin eläin kuvattiin — sille ei ole toista lähdettä samaan tapaan kuin on esimerkiksi kameran koordinaateille. Kuten GBIF:n parhaiden käytäntöjen opas suoraan toteaa, päivämäärä ja aika ”on metatietojen tärkein osa... eikä sitä voi johtaa jälkikäteen”. Tämä vaihe ansaitsee siis enemmän huolellisuutta kuin se yleensä saa.
Puhdas reitti on upotettu metatieto. Kun kamera kirjoittaa JPEG-tiedoston, se leimaa kuvausajan EXIF-lohkoon, `DateTimeOriginal`-kenttään. Työkalut lukevat tuon kentän suoraan: `camtrapR`:n `recordTable()`-funktio nojaa ExifTooliin poimiakseen `DateTimeOriginal`-arvon kustakin kuvasta ja koostaakseen siistin tietuetaulukon asemasta, lajista ja ajasta. Jos kuvasi kantavat hyvää EXIFiä, tämä on ratkaistu ongelma — osoita funktio kansioihisi, ja sinulla on koneluettavat päivämäärä-ajat sekunneissa.
Kaksi ylävirran tapaa tekee tästä kaikesta turvallisempaa, ja molemmat koskevat kameraa, eivät ohjelmistoa. Ensinnäkin, aseta kello UTC- tai paikalliseen talviaikaan ja poista automaattinen siirtyminen kesäaikaan käytöstä. Kesäaika on aktiivisuusdatan hiljainen sabotööri: jos asetat kameran kellon kesällä eikä se tiedä kesäajasta, jokainen talvikuva osuu tunnin päähän todellisesta kellonajasta, ja päinvastoin — järjestelmällinen tunnin virhe levitettynä puoleen tietueistasi. `camtrapR`:n neuvo on saman säännön pragmaattinen versio: jos tutkimusalueesi käyttää kesäaikaa mutta kamerasi eivät kirjaa sitä, jätä analyysin aikavyöhykkeeksi UTC, koska UTC:ssä ei ole kesäaikahyppyä, johon kompastua. Toiseksi, jos nimeät tai järjestät tiedostoja itse, aloita tiedostonimet päivämäärällä — `YYYYMMDD_HHMMSS` — jotta niiden aakkosjärjestykseen lajittelu järjestää ne myös aikajärjestykseen, ja kirjoita ajat ISO 8601 -muodossa (`YYYY-MM-DDTHH:MM:SS`), kun viet ne ulos.
Jos huomaat jälkikäteen, että kameran kello oli asetettu väärin — koko toteutus tunnetun verran pielessä — se on korjattavissa. `camtrapR` sisältää `timeShiftImages()`-funktion kuvien metatietojen aikaleimojen eräkorjaukseen ja erillisen `fixDateTimeOriginal()`-funktion tiettyä vikatilaa varten: tietyt Reconyx HyperFire -kamerat eivät tallenna päivämäärää ja aikaa vakiotägiin. Varmuuskopioi kuvat ensin. Pointti on, että ajoissa napatut kellovirheet ovat riesa; koskaan huomaamatta jääneistä kellovirheistä tulee kuvitteellinen aktiivisuusrytmi.
Määrittele kategoriasi — mutta tiedä, että ne ovat karkea ensimmäinen jaottelu
Ennen minkäänlaista käyränsovitusta on hyödyllistä hallita sanasto, jota ala on käyttänyt alusta alkaen. Sillä hetkellä, kun tutkijat tajusivat, että kameran aikaleimat voisivat kuvata aktiivisuutta, ensimmäinen asia, jonka he tekivät, oli lajitella lajit neljään lokeroon:
- Päiväaktiivinen — aktiivinen enimmäkseen valoisaan aikaan.
- Yöaktiivinen — aktiivinen enimmäkseen yöllä.
- Hämäräaktiivinen — aktiivinen enimmäkseen hämärässä, aamun- ja illansuussa.
- Katemeraalinen — aktiivinen sekä päivällä että yöllä ilman vahvaa suosikkia.
Nämä eivät ole pelkkiä tuntumia; ne voi määritellä operationaalisesti. Kahden vuoden tutkimuksessa, joka kattoi kahdeksan nisäkästä Pohjois-Japanissa, Ikeda kollegoineen luokitteli jokaisen kuvan päivään, yöhön tai hämärään, vertaili kuvaustaajuutta kolmen jakson välillä yksisuuntaisella varianssianalyysillä (ANOVA) ja määritti kunkin lajin kategoriaan: päiväaktiivinen, jos kuvat kasautuivat päiväaikaan, yöaktiivinen, jos yöhön, hämäräaktiivinen, jos hämärään, ja katemeraalinen, kun kolmen jakson välillä ei ollut ”mitään eroa”. Se antoi selkeät päätökset — oravat päiväaktiivisia, supikoirat ja pesukarhut yöaktiivisia, japaninpeurat ja metsäjänikset hämäräaktiivisia, japaninnäädät ja ruskeakarhut katemeraalisia.
Lokeroiden mukana tulee kaksi varoitusta. Ensimmäinen on, että ne ovat aidosti karkeita, ja kiinnostavimmat löydöt asuvat niiden välisissä railoissa. Nuo samat japaninpeurat ”vaihtoivat huippunsa hämärästä kevät–syksyn aikaan päiväaikaan talvella, mahdollisesti lämpötilarajoitteiden vuoksi”, ja näädät olivat katemeraalisia suurimman osan vuotta mutta yöaktiivisia syksyllä. Yksittäinen kategorialeima olisi pyyhkinyt molemmat pois. Toinen varoitus on mittakaava. Maailmanlaajuisesti nelijako on vino: tuhansien nisäkäslajien aineistossa Bennie kollegoineen havaitsi, että ”enemmistö nisäkäslajeista on yöaktiivisia (69 %...; 20 % päiväaktiivisia, 8,5 % katemeraalisia ja 2,5 % hämäräaktiivisia)”, ja että strategia on syvästi säilynyt läpi nisäkkäiden sukupuun (Pagelin λ = 0,947). Joten oletusarvoinen ennakkokäsityksesi tutkimattomasta nisäkkäästä pitäisi olla ”luultavasti yöaktiivinen”, ja itsevarma päiväaktiivinen luokitus ansaitsee toisen katsauksen — erityisesti myöhemmin käsiteltävien sijoitteluansojen vuoksi. Kategoriat ovat hyödyllinen otsikko. Aktiivisuuskäyrä on tarina.
Kategoriat ovat hyödyllinen otsikko. Aktiivisuuskäyrä on tarina.
Ajallinen riippumattomuus: merkittävin — ja kiistanalaisin — valinta, jonka teet
Tässä kohtaa hyvät aikeet tuhoavat aktiivisuusanalyysit. Kamerat eivät ota yhtä kuvaa käyntiä kohti. Yksittäinen eläin, joka viipyilee objektiivin edessä, tai kamera, joka on asetettu ottamaan kolmen tai kymmenen ruudun sarjoja laukaisua kohti, voi tuottaa kymmeniä aikaleimoja yhdestä aktiivisuushetkestä. Paikoilleen jätettyinä nuo lähes identtiset ajat kasautuvat ja vääristävät käyrää kohti ”niitä aikoja, joina laji sattui esiintymään kameroittesi edessä”, `camtrapR`:n mieleenpainuvan sanamuodon mukaan argusfasaanista, joka rakasti valokeilaa.
Vakiokorjaus on riippumattomuusaikasuodatin (`camtrapR`:ssä `minDeltaTime`-argumentti): tiivistä mitkä tahansa saman lajin saman aseman tietueet, jotka osuvat johonkin ikkunaan — 30 minuuttia ja 60 minuuttia ovat yleiset valinnat — yhdeksi tapahtumaksi. Sitä on helppo soveltaa. `camtrapR`:n `recordTable()` käyttää oletuksena `minDeltaTime = 0` (säilytä kaikki) ja antaa sinun asettaa vaikkapa 60 harventaaksesi dataa; paketin esimerkkiajossa 68 kuvaa muuttuu 56 tietueeksi kaksoisaikojen poiston jälkeen, sitten 40:ksi, kun tunnin suodatin on sovellettu. Ratkaisevasti `minDeltaTime` ”vaikuttaa kaikkiin aktiivisuuskuvaajien tuloksiin, sillä se määrää tietueiden välisen ajallisen riippumattomuuden” — muuta ikkunaa, ja muutat käyrää.
Ja juuri se on ongelma, sillä käytäntö on kiistelty aivan juuriltaan. Peral kollegoineen kävi läpi 134 avoimen saatavuuden riistakamera-aktiivisuustutkimusta ja havaitsi, että ”lähes 70 % (90 tutkimusta 134:stä...) soveltaa riippumattomuusaikasuodatinta”, tyypillisesti 30 minuuttia, joskus 60 tai jopa 24 tuntia. Heidän vastaväitteensä on käsitteellinen: nämä suodattimet lainattiin runsauden arvioinnista, jossa yhden yksilön useat valokuvat paisuttavat lukumääriä, mutta aktiivisuus ei ole sarja erillisiä tapahtumia — se on jatkuva tila. Kuten he sen muotoilevat, suodatin saa havainnoijan ”käytännössä päättämään, että eläin on epäaktiivinen tänä aikana, hyläten merkityksellistä tietoa eläimen aktiivisuudesta”. Pahempaa on, että vahinko on epätasaista. Käyttäen Serengetin 164 509 kuvan aineistoa he osoittivat, että runsaslukuiset, sosiaaliset kasvinsyöjät ”menettivät 74–93 % aktiivisuusdatasta, kun riippumattomuusaika kasvoi 1:stä 60 minuuttiin”, kun taas harvinaiset petoeläimet menettivät vain 21–23 %. Suodatus ei vain kutistanut otoksia; se vääristi käyriä — gasellin keskipäivän huippu putosi jopa 44 % — ja koska se osui kasvinsyöjiin ja petoeläimiin epäsymmetrisesti, se vääristi juuri niitä saalistaja–saalis-päällekkäisyysvertailuja, joita ihmiset tekevät. Heidän johtopäätöksensä on yksiselitteinen: riippumattomuusaikasuodattimien käyttö aktiivisuuden arvioinnissa ”ei ole pätevää eikä sitä tulisi käyttää”.
Mitä sinun siis oikeasti pitäisi tehdä? Älä lue Peralia niin, että ”säilytä jokainen ruutu raakana”. Lue se tarkasti. Kuvasarjan ruudut — ne kymmenen otosta, jotka kamera ottaa yhdellä laukaisulla — eivät ole lainkaan otos käyttäytymisestä; ne ovat käyttäjän määrittelemä asetus, ja Peral sanoo suoraan, että ne tulisi jättää pois aktiivisuusanalyyseistä. Kiista on kapeampi kuin miltä se ensin näyttää: lähes kaikki ovat yhtä mieltä siitä, että kuvasarjojen ja yhden vitkastelevan eläimen keinotekoinen kasautuma on poistettava. Elävä erimielisyys koskee sitä, tulisiko sen päälle sitten asettaa kiinteä kelloikkuna (30 tai 60 minuuttia). Uudempi, puolustettavissa oleva kanta on poistaa vain ilmeinen ei-riippumattomuus ja muuten säilyttää tietueet, tai — jos suodatat — raportoida, mitä suodatus tekee estimaateillesi, sen sijaan että valitsisit 30 minuuttia siksi, että kaikki muutkin tekivät niin. Valitsitpa minkä tahansa, ilmoita se. Aktiivisuustulos on tulkitsematon ilman riippumattomuussääntöään, ja se, että julkaistut tutkimukset käyttivät ”vaihtelevia ja mielivaltaisia” ikkunoita, tarkoittaa, ettei niiden käyriä useinkaan voi mielekkäästi verrata toisiinsa. Ole se tutkimus, joka on eksplisiittinen.
Aktiivisuustulos on tulkitsematon ilman riippumattomuussääntöään. Ole se tutkimus, joka on eksplisiittinen.
Sovita käyrä: sirkulaarinen ydinestimointi ja von Mises -ydin
Nyt tilastotiede, joka on helppo osa. Vuorokaudenaika on sirkulaarinen — 23.59 on 00.00:n vieressä, ei yhdentoista tunnin päässä siitä — joten siihen ei voi sovittaa tavallista tiheyskäyrää. Sovitat sirkulaarisen. Vakiolähestymistapa, jonka Ridout ja Linkie esittelivät kameradatalle ja joka on nyt alan oletusarvo, sovittaa havaituille ajoille ydinestimoinnin von Mises -ydintä (Gaussin jakauman sirkulaarinen vastine) käyttäen tavanomaisen suoraviivaisen ytimen sijaan. Tuloksena on sileä todennäköisyystiheys 24 tunnin syklin yli: korkea siellä, missä eläin on aktiivinen, matala siellä, missä ei ole.
Muutama mekaniikan seikka on tärkeä. Kaikki nämä työkalut toimivat radiaaneina, eivät tunteina tai vuorokauden murto-osina, joten lähes minkä tahansa skriptin ensimmäinen rivi muuntaa: `timeRad <- time 2 pi`. Silotusta ohjaa kaistanleveys, joka `overlap`-paketissa on esillä `adjust`-argumenttina — nosta se oletusarvon 1 yläpuolelle laakeampaa käyrää varten, laske sitä piikikkäämpää varten — ja valinta vaikuttaa alavirran päällekkäisyysestimaatteihin, joten se ei ole puhtaasti kosmeettinen. `activity`-paketissa saman työn tekee `fitact()`, joka sovittaa sirkulaarisen ytimen ja, koska tietueita kertyy enemmän eläimen ollessa aktiivisempi, johtaa yleisen aktiivisuustason — sen osuuden vuorokaudesta, jonka populaatio viettää aktiivisena — jakauman alle jäävästä pinta-alasta.
Kaksi R-pakettia hallitsee, ja ne täydentävät toisiaan. Käytä `overlap`-pakettia (funktiot `densityPlot()`, `overlapPlot()`, `overlapEst()`), kun kysymyksesi koskee kahden lajin käyrien vertailua. Käytä `activity`-pakettia (`fitact()`, `solartime()`, `compareCkern()`), kun haluat kvantifioidun aktiivisuustason estimaatin bootstrapatuin luottamusvälein tai monipuolisemmat työkalut jakaumien tilastolliseen vertailuun. Ja `camtrapR` sitoo ne kuviisi: sen `activityDensity()` kutsuu `overlap::densityPlot()`-funktiota, `activityOverlap()` kutsuu `overlap::overlapPlot()`- ja `overlapEst()`-funktioita, ja `activityRadial()` sekä `activityHistogram()` antavat sinulle kellotaulu- ja tuntipylväsnäkymät, kaikki luettuna suoraan tietuetaulukosta. Tulosten visualisointiin sädekuvaaja ja päällekkäin aseteltu tiheyskäyrä ovat kaksi työjuhtaa; tiheyskuvaaja on se, joka julkaistaan, koska se näyttää todellisen estimoidun muodon sen sijaan, että aggregoisi kokonaisiin tunteihin.
Vuorokaudenaika on sirkulaarinen — 23.59 on 00.00:n vieressä, ei yhdentoista tunnin päässä siitä — joten siihen ei voi sovittaa tavallista tiheyskäyrää.
Lajien vertailu: päällekkäisyyskerroin (Δ)
Yksittäinen yleisin syy tehdä tämä analyysi on kysyä, jakavatko kaksi lajia vuorokauden — saalistaja ja saalis tai kaksi kilpailijaa. Vakioyhteenveto on päällekkäisyyskerroin Δ, molempien tiheyskäyrien alle jäävä pinta-ala: se kulkee 0:sta (ei lainkaan päällekkäisyyttä) 1:een (identtiset aktiivisuusrytmit). Ajattele sitä osuutena aktiivisuudesta, joka kahdella lajilla on yhteistä.
Se, mitä estimaattoria käytät, riippuu pienemmästä otoskoostasi, ja tässä ihmiset kompastuvat. `overlap`-paketti tarjoaa kolme — Dhat1, Dhat4 ja Dhat5 — ja ohje on konkreettinen: käytä Dhat1:tä pienille otoksille ja Dhat4:ää suuremmille. Se, missä kynnys tarkalleen kulkee, on esitetty hieman eri tavoin eri paikoissa samojen tekijöiden toimesta, mikä kannattaa tietää: paketin dokumentaatio sanoo, että ”Dhat4 on paras, kun pienimmässä otoksessa on vähintään 50 havaintoa”, kun taas paketin vignette asettaa vaihtumiskohdan korkeammalle suositellen Dhat1:tä, kun pienempi otos on alle 50, ja Dhat4:ää, kun se on ”suurempi kuin 75”, harmaan vyöhykkeen jäädessä väliin. Käytännön tulkinta: mukavasti yli noin 75 pienemmässä otoksessasi, Dhat4; selvästi pieni, Dhat1; siltä väliltä, suosi Dhat1:tä äläkä ylitulkitse. Yksi sääntö on luja jokaisessa lähteessä — älä käytä Dhat5:tä, koska ”pienetkin muutokset datassa voivat aiheuttaa suuria, epäjatkuvia muutoksia Dhat5:ssä, ja se voi saada arvoja > 1”. (Huomio `camtrapR`-käyttäjille: `activityOverlap()` palauttaa oletuksena Dhat1:n, joten jos otoksesi ovat suuret, anna `overlapEstimator = "Dhat4"` sen sijaan, että hyväksyisit oletuksen.)
Luottamusvälit tulevat bootstrapista, ja silotettu on suositeltavampi — sovita tiheys, sitten poimi siitä simuloituja havaintoja — koska tavallinen uudelleenotanta ei voi koskaan tuottaa havaittua vaihteluväliäsi ulkopuolista aikaa, mikä on väärin jatkuvalle aktiivisuusrytmille. Käytä tarpeeksi monta uudelleenotosta: esimerkeissä näkyy usein 1 000, mutta vignette sanoo suoraan, että ”todellista analyysiä varten 10 000 bootstrap-otosta olisi parempi”, ja paketti varoittaa, että ”vakaita estimaatteja varten tarvitset vähintään 999 bootstrap-estimaattia, mieluiten 10 000”.
Lasketut luvut tekevät tästä konkreettista. Kanonisessa Kerinci-esimerkissä tiikerit ja makakit yhdellä vyöhykkeellä — molemmilla yli 75 havaintoa — antoivat Dhat4-päällekkäisyydeksi 0,42, kohtalaisen, osittaisen päällekkäisyyden. Pohjois-Irlannin saalistaja–saalis-tutkimuksessa ketut ja jänikset olivat vuositasolla päällekkäin 73 % (lv. 68–77 %), ketut ja kanit 80 %, ketut ja metsähiiret 81 % — saalistajan vuorokausi seurasi saaliinsa vuorokautta — kun taas näädät ja päiväaktiiviset oravat osoittivat päinvastaista, ajallisen välttelyn kanssa yhteensopivaa epätahtisuutta. Qinghai–Tiibetin ylängön sympatristen suurpetojen joukossa lumileopardit ja ilvekset olivat päällekkäin Δ = 0,88 (lv. 0,80–0,95), lumileopardit ja sudet 0,86, sudet ja ilvekset 0,83 — kaikki korkeita, kaikki pääosin yöaktiivisia, päällekkäisyyden pudotessa kohti kohtalaista lämpimänä vuodenaikana. Yleinen käytäntö näistä luvuista puhumiseen: alle 0,5 on matala päällekkäisyys, 0,5–0,8 kohtalainen, yli 0,8 korkea. Se on hyödyllinen pikakäytäntö, ei laki.
Kuinka paljon dataa riittää? Karkeasti 100 havaintoa
Voit ajaa jokaisen yllä olevan funktion tusinalla valokuvaa. Sinun ei pitäisi. Otoskokokysymykseen on selkeä empiirinen vastaus Lashleylta kollegoineen, jotka vertasivat kamerasta johdettuja aktiivisuuskäyriä radiopannan ”totuuteen” ja aliotostivat dataa nähdäkseen tarkkuuden heikkenevän. Heidän havaintonsa: ”keskimääräinen päällekkäisyys kasvoi ja päällekkäisyysvirhe pieneni nopeasti otoskokojen kasvaessa, kunnes lähellä 100:aa havaintoa saavutettiin asymptootti”, jonka jälkeen lisädata toi vain vähän parannusta. Heidän suosituksensa on se muistettava luku — kerää vähintään 100 havaintoa kohdelajista ennen sen aktiivisuuskäyrän estimoimista.
Kaksi rehellistä varausta tuon 100:n ympärille. Ensinnäkin ponnistus 100 havainnon saamiseksi ”voi vaihdella suuresti lajin ekologiasta, liikkuvuudesta ja havaittavuudesta riippuen” — triviaali yleiselle peuralle, kauden urakka harvinaiselle kissaeläimelle. Syötti voi auttaa: tuossa tutkimuksessa syötetyt (”aktiiviset”) kamerat tuottivat 700 kertaa korkeamman peuran havaintotaajuuden kuin poluille sijoitetut passiiviset, millä on väliä, kun kiirehdit otokseen biologisesti mielekkään ikkunan sisällä. Toiseksi, hyvilläkin otoskoilla kamerakäyrät vastasivat radiopantoja hyvin muodoltaan mutta erosivat huippujen suuruudeltaan — päällekkäisyys radiopannan totuuden kanssa oli Δ = 0,74–0,84, tilastollisesti merkitsevien erojen keskittyessä huippuruokailuaikoihin. Kamerat ovat erinomaisia siihen, milloin laji on aktiivinen; ole varovaisempi lukiessasi huipun tarkkaa korkeutta.
Itse bootstrapin osalta lattia on matalampi mutta silti todellinen: `overlap`-paketti huomauttaa, että 40 bootstrap-estimaattia on paljas vähimmäismäärä 95 %:n luottamusvälille, 200 kun halutaan 99 % — mutta jälleen, haluat vakauden vuoksi satoja tai tuhansia, et vähimmäismäärää.
Kellonaika vastaan aurinkoaika: korjaus, jonka useimmat huolettomat analyysit ohittavat
Tämä on se vaihe, joka erottaa huolellisen aktiivisuusanalyysin huolimattomasta, ja se on näkymätön, jos et osaa katsoa. Auringonnousu ja -lasku liikkuvat läpi vuoden, ja ne liikkuvat sitä enemmän, mitä kauempana olet päiväntasaajalta. Jos yhdistät kuvia yli vuodenaikojen kiinteälle kellonaika-akselille, hämäräaktiivisen eläimen kaksi huippua — jotka tosiasiassa seuraavat aamu- ja iltahämärää — leviävät leveiksi, litistyneiksi kummuiksi, koska ”aamunkoitto” oli 05.00 kesäkuussa ja 07.30 joulukuussa. Yhdistä riittävän laajalta väliltä, ja voit jopa valmistaa päällekkäisyyttä, joka ei ole todellista: vignetten esimerkki lepakosta, joka lentää esiin auringonlaskun aikaan, ja haukasta, joka asettuu levolle auringonlaskun aikaan, näyttää nollapäällekkäisyyttä minä tahansa yksittäisenä kuukautena, mutta yhdistetty data näyttää näennäistä päällekkäisyyttä puhtaasti siksi, että auringonlasku liikkui.
Korjaus on ilmaista kunkin kuvan aika suhteessa aurinkoon kellon sijaan. Molemmat pääpaketit tekevät sen. `overlap`-paketissa `sunTime()` ”muuntaa kellonaikojen vektorin 'aurinkoajoiksi' kuvaamalla auringonnousun kohtaan π/2 ja auringonlaskun kohtaan 3π/2”, kunkin tietueen päivämäärän ja sijainnin perusteella. `activity`-paketissa `solartime()` ankkuroi kellonajat tutkimuksen koordinaattien keskimääräiseen auringonnousuun ja -laskuun ja palauttaa sekä kellonaika- että aurinkoaikaversion, jotta voit verrata niitä. Tästä putoava nyrkkisääntö: mitä kauempana olet päiväntasaajalta ja mitä suuremman osan vuotta tutkimuksesi kattaa, sitä enemmän korjauksella on väliä — taustalla olevan aktiivisuustasomenetelmän oletukset ”täyttyvät epätodennäköisemmin suurilla petoeläimillä tai korkeiden leveysasteiden talvina”. Lähellä päiväntasaajaa tai yhteen lyhyeen ikkunaan rajatussa tutkimuksessa kellonaika on yleensä riittävä.
Käytännössä huolelliset tutkimukset yksinkertaisesti tekevät sen. 61 lajin tutkimus Kiinan vuoristometsissä ”muunsi kunkin havainnon kellonajan suhteelliseksi aurinkoajaksi poistaakseen päivän pituuden vaihtelun vaikutukset” ennen käyrien sovittamista. Ylängön petoeläintutkimus vakioi kaikki kuvausajat aurinkoaikaan `overlap::sunTime()`-funktiolla nimenomaan siksi, että auringonnousu vaihteli välillä 5.30–8.30 vuoden aikana. Pohjois-Irlannin tutkimus suhteutti jokaisen havainnon lähimpään aurinkotapahtumaan — aamun tietueet auringonnousuun, illan tietueet auringonlaskuun — joten 22.10 tehdystä havainnosta, jonka auringonlasku oli 20.00, tuli ”−2 h 10 min”, siisti mitta siitä, kuinka syvälle yöhön eläin oli aktiivinen. Jos kamerasi istuivat yhdessä paikassa yhden kesäkuukauden ajan lähellä tropiikkia, voit ohittaa tämän. Muuten, muunna — ja huomaa, että `camtrapR`:n aktiivisuusfunktiot käyttävät kellonaikaa, eivät aurinkoaikaa, joten jos tarvitset korjauksen, sinun on sovellettava se itse ennen kuvaajien piirtämistä.
Tämä on se vaihe, joka erottaa huolellisen aktiivisuusanalyysin huolimattomasta, ja se on näkymätön, jos et osaa katsoa.
Sudenkuopat, jotka hiljaa pilaavat aktiivisuusrytmin
Useimpia roska-aktiivisuusanalyyseja eivät kaada tilastot. Ne kaatuvat ylävirrassa. Toistuvat vikatilat, karkeasti siinä järjestyksessä kuin ne purevat:
- Kellon ryömintä ja kesäaika. Käsitelty yllä, mutta se on ykkönen hiljaisista virheistä: kesäaikaan asetettu kameran kello tai toteutus, jonka kello oli yksinkertaisesti väärässä, ojentaa sinulle järjestelmällisesti siirtyneen käyrän ilman varoitusta. Varmenna kellot asennuksen yhteydessä; aseta ne UTC- tai talviaikaan; poista kesäaikaan siirtyminen käytöstä.
- Riippumattomuussuodatin, joka syö huipun. 30 tai 60 minuutin suodatin voi karsia 74–93 % sosiaalisen kasvinsyöjän tietueista ja litistää sen vilkkaimmat tunnit, samalla kun se tuskin koskee harvinaiseen petoeläimeen — vääristäen sekä käyriä että mitä tahansa lajien välistä vertailua. Poista kuvasarjat ja ilmeinen vitkastelu; harkitse tarkkaan ennen kiinteän kelloikkunan asettamista, ja raportoi sen vaikutus, jos asetat.
- Aurinkoajan yli yhdistäminen ilman korjausta. Levittää huiput ja voi valmistaa päällekkäisyyttä. Muunna aurinkoaikaan monen vuodenajan tai korkeiden leveysasteiden datalle.
- Liian vähän havaintoja. Alle noin 100:n tarkkuus ja täsmällisyys putoavat nopeasti, ja itsevarmalta näyttävä käyrä 18 valokuvasta on enimmäkseen kohinaa.
- Sijoitteluharha — se ovela. Tämä ansaitsee oman kappaleensa.
Sijoitteluansan äärelle kannattaa pysähtyä, koska se hämää huolellisiakin ihmisiä. Poluille ja teille asetetut kamerat — juuri sinne, minne asetat ne petoeläinten saamiseksi tai havaintojen maksimoimiseksi — tallentavat eläimiä, jotka käyttävät polkuja, mikä ei ole sama asia kuin eläinten aktiivisuus. Tanwar kollegoineen teki puhtaan kokeen intialaisessa tiikerisuojelualueella asettamalla polkukamerat ja satunnaiskamerat rinnakkain. Polkukamerat näyttivät sorkkaeläimet — aksispeurat, nilgaut, villisiat, gasellit — ”pääosin päiväaktiivisina ja hyvin harvoin öisin tallentuneina”. Satunnaiskamerat, jotka näytteistivät maisemaa polkujen sijaan, paljastivat samoissa lajeissa huomattavaa yöaikaista aktiivisuutta; nilgau jopa kääntyi yöaktiiviseen huippuun, ja polkujen ja satunnaiskameroiden estimaattien välinen päällekkäisyys oli niinkin matala kuin Δ = 0,41. Syy on käyttäytymisperäinen: ”pedot käyttävät polkuja laajalti öisin”, joten sorkkaeläimet välttävät niitä pimeän tultua — saalistajanvastainen liike, joka saa ne näyttämään päiväaktiivisilta polkukameralle. Tekijöiden varoitus on sellainen, jota jokaisen aktiivisuustutkimuksen tulisi kuunnella: petoeläinkeskeisistä polkututkimuksista piirretyt julkaistut aktiivisuusrytmit ”ovat todennäköisesti vinoutuneet kohti päiväaktiivisuutta”. `overlap`-paketin vignette esittää saman pointin toiselta puolelta — polulla oleva kamera mittaa ”poluilla kävelyä”, joten kahden lajin päällekkäisyys on niiden polulla-kävelyn päällekkäisyyttä, ja ”lehtiä syövä kasvinsyöjä ja sitä vaaniva petoeläin ovat tämän määritelmän mukaan luultavasti molemmat 'epäaktiivisia'”. Korjaus on suunnittelullinen: satunnaiset tai polkujen ulkopuoliset kamerat antavat rehellisemmän aktiivisuuskuvan, ja vähintään sinun tulisi tuoda ilmi, että polkusijoittelu vinouttaa kohti päiväaikaa.
Viimeinen, hienovaraisempi varoitus: ole varovainen yhdistäessäsi minkäänlaista heterogeenista dataa, et vain vuodenaikojen yli. Aidosti erilaisen aktiivisuuden paikkojen tai jaksojen yhdistäminen paisuttaa päällekkäisyysestimaatteja, ”ja tämä näennäinen päällekkäisyys on yhdistämisen tuottama artefakti”. Ja muista, että se, mitä oikeasti mittaat, on havaintoja kameroilla, jotka tulkitsevat ”aktiivisen” tarkoittavan ”anturin ohi liikkumista” — todellinen mutta osittainen ikkuna käyttäytymiseen. Tulkitse lajien vuorovaikutuksia varoen; vignetten varoittava tarina on tutkimus, jossa punakoira ja sika näyttivät jakavan vuorokauden, mikä vihjasi punakoiran syövän sikaa, kunnes ulosteanalyysi osoitti punakoiran syövän enimmäkseen peuroja.
Useimpia roska-aktiivisuusanalyyseja eivät kaada tilastot. Ne kaatuvat ylävirrassa.
Minne tämä on menossa: hierarkkiset mallit
Ydinestimointi on alan standardi, ja useimpiin kysymyksiin se on oikea työkalu. Mutta sen katto kannattaa tuntea, koska menetelmäkirjallisuus siirtyy aktiivisesti sen ohi. Iannarilli kollegoineen esittää KDE:n rajat suoraan: se yhdistää dataa paikkojen yli ja jättää siten huomiotta paikkojen välisen vaihtelun tuottaen ylivarmaa epävarmuutta; se on herkkä kaistanleveyden valinnalle pienissä otoksissa; se ei voi sisällyttää kovariaatteja eikä muodollisesti testata hypoteeseja; ja se ”ottaa huomioon vain tietueet, joissa eläin havaittiin, hyläten tiedon siitä, milloin näytteistys tehtiin mutta lajia ei kirjattu”. Tuo viimeinen on hienovarainen mutta todellinen — KDE heittää pois jokaisen kameratunnin, jona mitään ei tapahtunut, vaikka nuo nollat kantavat tietoa siitä, milloin laji ei ollut aktiivinen.
Ehdotettu vaihtoehto on hierarkkiset mallit — trigonometriset yleistetyt lineaariset sekamallit (sini- ja kosinitermit paikan satunnaisvaikutuksin, `glmmTMB`:n tai `lme4`:n kautta) tai sykliset kuutiosplini-GAM-mallit (`mgcv`:n kautta) — jotka luokittelevat datan aikaväleihin, käyttävät ei-havaintoja, ottavat huomioon paikkojen välisen vaihtelun ja antavat sinun testata, kuinka vuodenaika tai kilpailijan läsnäolo siirtää käyrää. 100 paikan Minnesota-tutkimuksessa tämä lähestymistapa kvantifioi pohjoisamerikkalaisen karhun ja koiraeläimen aktiivisuuden paljastaen samalla ”huomattavaa paikkojen välistä heterogeenisuutta, näkökohdan, jonka yhdistävä KDE on suurelti jättänyt huomiotta”. Nämä mallit ovat vaativampia — yleinen nyrkkisääntö on 10 tai useampi paikka ennen satunnaisvaikutusten sovittamista — ja ylimitoitettuja yhden lajin, yhden paikan kuvaukseen. Useimmille lukijoille KDE sekä selvästi ilmoitettu riippumattomuussääntö ja aurinkoaikakorjaus on oikea ratkaisu tänään. Mutta jos kysymyksesi sisältää kovariaatteja, useita paikkoja tai muodollisia hypoteesitestejä, tästä kannattaa katsoa eteenpäin.
Usein kysytyt kysymykset
Mikä on vähimmäismäärä havaintoja, joka tarvitaan aktiivisuusrytmin arvioimiseen riistakameroista?
Noin 100. Tarkkuus ja täsmällisyys paranevat jyrkästi otoksen kasvaessa ja saavuttavat sitten asymptootin lähellä 100:aa havaintoa, mikä on suositeltu vähimmäismäärä ennen aktiivisuuskäyrän estimoimista. Voit sovittaa käyrän harvempaan, mutta se on kohinaista eikä sen pitäisi kantaa paljoa tulkinnallista painoa.
Pitäisikö minun soveltaa 30 tai 60 minuutin riippumattomuussuodatinta valokuviini?
Sitä todella kiistellään. Suodatin on tavanomainen ja poistaa kuvasarjojen ja viipyilevien eläinten kasautuman, mutta eräs merkittävä analyysi väittää, että kiinteät riippumattomuusaikasuodattimet ovat sopimattomia aktiivisuusdatalle — ne voivat hylätä valtaosan joidenkin lajien tietueista ja vääristää syntyvät käyrät ja päällekkäisyydet. Puolustettava keskitie: jätä aina pois kuvasarjan ruudut, poista ilmeinen ei-riippumattomuus, harkitse kahdesti ennen kiinteän kelloikkunan asettamista, ja jos suodatat, raportoi sen vaikutus estimaatteihisi.
Mitä päällekkäisyyskerroin (Δ) oikeastaan mittaa?
Se on kahden lajin aktiivisuustiheyskäyrien alle jaettu pinta-ala, 0:sta (ei yhteistä aktiivisuutta) 1:een (identtiset rytmit) — se osuus vuorokaudesta, jonka kaksi lajia ovat yhteisesti aktiivisia. Yleinen pikakäytäntö lukee alle 0,5 matalaksi päällekkäisyydeksi, 0,5–0,8 kohtalaiseksi ja yli 0,8 korkeaksi.
Tarvitseeko minun muuntaa ”aurinkoaikaan”, ja miten?
Kyllä, jos tutkimuksesi ulottuu yli vuodenaikojen tai sijaitsee selvästi kaukana päiväntasaajalta — mitä kauempana päiväntasaajalta ja mitä pidempi tutkimus, sitä enemmän sillä on väliä. Siirtyvän auringonnousun ja -laskun yli yhdistäminen kellonaika-akselilla litistää huiput ja voi valmistaa päällekkäisyyttä. Käytä `overlap::sunTime()`- tai `activity::solartime()`-funktiota, jotka ankkuroivat kunkin tietueen auringonnousuun ja -laskuun päivämäärän ja sijainnin mukaan.
Mitä R-pakettia minun tulisi käyttää — `overlap`, `activity` vai `camtrapR`?
Kaikkia kolmea, eri töihin. `camtrapR` poimii aikaleimat kuvistasi ja tuottaa tietuetaulukon sekä nopeat aktiivisuuskuvaajat; `overlap` on työkalu kahden lajin vertailuun Δ-kertoimen kautta; `activity` on paras yleisen aktiivisuustason estimoimiseen luottamusvälein. Huomaa, että `camtrapR`:n aktiivisuusfunktiot käyttävät kellonaikaa, joten sovella mahdollinen aurinkoaikakorjaus itse ensin.
Voinko luottaa aktiivisuusrytmiin, joka on saatu poluille asetetuista kameroista?
Varauksella. Poluille sijoitetut kamerat tallentavat polun käyttöä, eivät aktiivisuutta yleisesti, ja voivat saada lajin näyttämään päiväaktiivisemmalta kuin se on — sorkkaeläimet välttävät polkuja öisin väistääkseen petoja, joten polkukamerat aliarvioivat niiden yöaikaisen aktiivisuuden. Satunnaiset tai polkujen ulkopuoliset kamerat antavat rehellisemmän käyrän; vähintään tuo ilmi, että polkusijoittelu vinouttaa kohti päiväaikaa.