Kuinka arvioida eläintiheys riistakameroista ilman eläinten merkitsemistä

Kamera, joka laukeaa tuhat kertaa, kertoo lähes tyhjää siitä, montako eläintä sen edessä elää. Kyseessä voi olla tuhat eri kaurista, jotka kulkevat ohi kerran, tai yksi rohkea kettu, joka on oppinut objektiivin olevan tyydyttävä purulelu. Juuri tämä monitulkintaisuus — monta liikkuvaa yksilöä vastaan yksi ahkera vakituinen asukas — on koko ongelma. Siksi raaka ”kohtaamistaajuus” ei ole koskaan ollut luotettava valuutta, ja siksi vuosikymmenten ajan tiheyden arviointi riistakameroista tarkoitti tiikereitä, leopardeja eikä juuri muuta: tarvitsit yksilöllisesti tunnistettavat turkit, jotta merkintä-takaisinpyynti (capture-recapture) toimisi.

Useimmilla lajeilla ei ole raitoja. Kettu on kettu. Niinpä syntyi joukko menetelmiä tekemään jotakin, mikä kuulostaa lähes liian nokkelalta — arvioimaan absoluuttinen tiheys, eläimiä neliökilometriä kohti, merkitsemättömistä eläimistä, joita ei voi erottaa toisistaan. Tämä on opas siihen menetelmäperheeseen: satunnaiskohtaamismalli (Random Encounter Model, REM) ja sen jälkeläiset, mitä kukin niistä oikeasti sinulta vaatii ja millä nimenomaisilla tavoilla kukin niistä valehtelee sinulle, ellet ole varovainen. Yksikään ei ole taikaa, ja — tällä on väliä — yksikään ei ole yleispätevä vastaus. Alan rehellinen tila on joukko kompromisseja, ei voittajaa.

Jos olet lukenut kirjoituksemme aiheista tai, tämä on niiden alla lepäävä analyyttinen kerros: olet asettanut kamerat, sinulla on havainnot, ja nyt haluat luvun, jolla on yksikkö.

Miksi ”laske vain valokuvat” ei voinut koskaan toimia

Kaksi asiaa rikkoo naiivin lähestymistavan. Ensin jo mainittu yksilöllisen tunnistamisen ongelma: havainnot eivät kuvaudu siististi eläimiksi. Toiseksi, hienovaraisemmin, eläinten liikkuminen levittää otanta-alueen epämääräiseksi. Kamera näytteistää jonkin maapalstan, mutta kuinka suuri se palsta on? Se riippuu siitä, kuinka kauas laskettavat eläimet tyypillisesti vaeltavat, mitä et yleensä tiedä. Ilman määriteltyä otanta-aluetta runsausarviolla ei ole nimittäjää — ei selkeää tilaa, johon se viittaa.

Ala siis jakautuu, oikeastaan, sen mukaan, miten kukin menetelmä käsittelee tuota tila-ongelmaa. Jotkin arvioivat runsauden yhdellä kameralla ilman minkäänlaista tilallista viitettä ja pakottavat sinut kohdentamaan sen jälkikäteen johonkin alueeseen. Jotkin rakentavat alueen eksplisiittisesti malliin. Ja jotkin — ne, joihin tämä opas nojaa — arvioivat tiheyden suoraan kameroiden yhteenlasketulla näkökentällä ja olettavat tuon näkymän edustavan laajempaa maisemaa. Tuo viimeinen oletus, ”kamerat näkevät edustavan otoksen”, tekee valtavan työn, ja juuri siksi sijoittelun kurinalaisuus osoittautuu tärkeämmäksi kuin mikään mallinnusvalinta.

Tässä on luku, jonka pitäisi asettaa koko tämä hanke uuteen valoon. Katsaus 927 riistakameratutkimukseen, jotka julkaistiin vuosina 2014–2019, havaitsi, että vain noin 5,5 % käytti ylipäätään mitään runsauden arviointimenetelmää. Ylivoimainen enemmistö turvautui suhteellisen runsauden indekseihin, esiintymistodennäköisyyteen (occupancy) tai käyttäytymiseen. Alla esitetyt menetelmät eivät ole poljettu oletusvaihtoehto. Ne ovat eturintama, ja ne palkitsevat ne, jotka ymmärtävät niiden oletukset sen sijaan, että kohtelisivat niitä mustana laatikkona.

Kamera, joka laukeaa tuhat kertaa, kertoo lähes tyhjää siitä, montako eläintä sen edessä elää.

Satunnaiskohtaamismalli: eläimet kaasuhiukkasina

REM on perustaja, ja sen ydinajatus on lainattu, kauniisti, 1800-luvun fysiikasta. Fyysikot mallinsivat, kuinka usein kaasumolekyylit törmäävät. Rowcliffe kollegoineen tajusi, että eläimet, jotka törmäävät kameran havaitsemisvyöhykkeeseen, ovat samanlainen prosessi. Kohtele eläimiä ideaalikaasun hiukkasina, jotka liikkuvat satunnaisesti avaruudessa, niin taajuudesta, jolla ne laukaisevat kameran, tulee ennustettava funktio siitä, montako niitä on, kuinka nopeasti ne liikkuvat ja kuinka suuri havaitsemisvyöhyke on.

Käytännössä tämä tarkoittaa, että REM skaalaa kohtaamistaajuuden tiheydeksi neljän ainesosan avulla: keskimääräinen ryhmäkoko ja päivämatka (kuinka pitkälle eläin päivässä liikkuu) biologian puolella sekä kameran havaitsemisvyöhykkeen säde ja kulma laitteiston puolella. Hanki näistä harhattomat arviot, sijoita kamerasi ilman harhaa, ja valokuvat antavat sinulle tiheyden.

Alkuperäinen kenttäkoe on opettavainen juuri sen vuoksi, missä se epäonnistui. Aidatussa englantilaisessa eläinpuistossa, jossa eläinmäärät tunnettiin, REM osui kolmeen lajiin neljästä alle 22 %:n tarkkuudella todellisesta määrästä. Neljäs — pieni pussieläin nimeltä mara — tuli ulos 86 % liian alhaisena. Syy ei ollut malli. Se oli, että noin 90 % maroista laidunsi avoimilla nurmikoilla, joille tutkijat olivat tarkoituksella jättäneet kamerat asettamatta, jotta vältyttäisiin kuvaamasta kävijöitä. Opetus on kaikunut jokaisessa artikkelissa siitä lähtien: sillä hetkellä, kun annat kameran sijoittelun korreloida sen kanssa, missä eläimet ovat, REM hajoaa. Ei polkujen, jälkien, vesilammikoiden tai syötin kohdentamista kohtaamistaajuuden pönkittämiseksi — se rikkoo havaintomallin eikä ”voi antaa harhattomia tiheysarvioita”.

Toinen toistuva päänvaiva on päivämatka. Sen tietäminen, kuinka pitkälle tutkimuseläimesi liikkuvat päivässä, harhattomasti, on aidosti vaikeaa. Allometriset oikotiet (päivämatkan arvioiminen ruumiinkoosta) ”tuovat suurta harhaa ja niitä tulisi käyttää varoen”. Sen voi saada GPS-pannoista, mutta mustakarhututkimus teki vikatilan elävästi näkyväksi: pitkin väliajoin otetut pantapaikannukset aliarvioivat sen, kuinka pitkälle eläin todella liikkui, mikä puolestaan yliarvioi tiheyden — ja harha puree kovemmin hitaasti liikkuvilla lajeilla. Samassa tutkimuksessa REM päätyi uskottavaan mustakarhutiheyteen, joka ei poikennut merkitsevästi DNA-pohjaisesta tilallisen merkintä-takaisinpyynnin vertailuarvosta, mutta vasta kun nopeussyöte käsiteltiin huolella. Koukku on lähes filosofinen: jos tarvitset kalliita pantadataa syöttääksesi REM:iä, olet menettänyt sen edullisen ja kajoamattoman edun, joka teki REM:stä houkuttelevan alun perin.

Sovella REM:iä lajiin, joka ei käyttäydy kuin kaasuhiukkanen, ja näet rasituksen suoraan. Serengetin naarasleijonat viettävät päivänsä torkkuen yksittäisten puiden alla — ja yksittäiset puut ovat juuri se paikka, johon kameran asettaisit. Jokainen kyseisen tutkimuksen REM-malli yliarvioi leijonatiheyden; analyysin rajaaminen yöaikaisiin valokuviin, jolloin leijonat todella liikkuvat, vähensi harhaa merkittävästi. Se on toistuva REM-taito: löydä ne ajat ja paikat, joissa eläimesi liikkuvat satunnaisesti suhteessa kameroihin, ja nojaa niihin.

Sillä hetkellä, kun annat kameran sijoittelun korreloida sen kanssa, missä eläimet ovat, satunnaiskohtaamismalli hajoaa.

Etäisyysotanta kameroille (CT-DS): lainaa 50 vuotta vanha työkalupakki

Riistakameroiden etäisyysotanta lyö vetoa toisin. Etäisyysotanta (distance sampling) — sen mittaaminen, kuinka havaittavuus heikkenee etäisyyden kasvaessa havainnoijasta — on yksi kypsimmistä ja parhaiten tuetuista viitekehyksistä koko riistantutkimuksessa, takanaan vuosikymmenten teoria, ohjelmistot ja suunnitteluohjeet. Howe, Buckland ja kollegat mukauttivat pistelinjaotannan niin, että kamera esittää havainnoijan roolia.

Mekaniikka on tyylikäs. Sen sijaan, että yrittäisi arvioida eläimen nopeutta, CT-DS tallentaa säteittäisen etäisyyden kuhunkin eläimeen ennalta määrätyillä tilannekuvahetkillä (snapshot moments) parin sekunnin välein ja mallintaa, kuinka havaittavuus vähenee etäisyyden myötä. Koska tilannekuvat ovat kiinteitä kellonaikoja, jotka valitaan riippumatta siitä, missä eläimet sattuvat olemaan, liikkuminen ei vääristä etäisyysjakaumaa. Perit koko etäisyysotannan koneiston — Distance-ohjelman, mallinvalintakäytännöt, kaiken — etkä koskaan joudu arvioimaan päivämatkaa.

Mitä CT-DS vaatii vastineeksi, on varma havaitseminen aivan kameran edessä (etäisyys nolla). Näkökentän alta pujahtavat pienet eläimet, tunnistamattomat puolikkaat ruumiit tai vitkasteleva laukaisu rikkovat kaikki tämän — ja korjaus on katkaista vasemmalta, hylätä kameraa lähellä olevat etäisyydet, joilla havaitseminen ei ole varmaa. Se voi myös laskea vain eläimet, jotka ovat saatavilla nähtäväksi: laji, joka viettää puolet ajastaan maan alla tai latvustossa, luetaan puoleksi todellisesta tiheydestään, ellet korjaa tuota saavuttamatonta aikaa.

CT-DS loistaa laajassa mittakaavassa ja monella lajilla kerralla. Salongan kansallispuiston tutkimuksessa Kongon demokraattisessa tasavallassa — 160 kameraa levitettynä 17 000 neliökilometrin alalle — yksi ainoa CT-DS-toteutus tuotti tiheysarviot 14 lajille yhtä aikaa, 200-grammaisesta norsupäästäisestä metsänorsuihin, mukaan lukien ensimmäiset koskaan lasketut tiheysluvut kongonriikinkukolle ja jättimuurahaiskäävelle. Tuota monilajista ulottuvuutta REST ja TIFC kamppailevat kohdatakseen.

Mutta Salonga paljasti myös CT-DS:n ilkeimmän vikatilan: eläimet, jotka reagoivat kameraan. Metsänorsut pitivät kameroita kiehtovina ja viipyilivät niiden edessä, haistellen ja tutkien. Näiden reaktiivisten havaintojen mukaan ottaminen paisutti norsutiheyttä jopa kahdella kertaluokalla. Bonobot tekivät päinvastoin — pysyttelivät varovaisen etäällä — mikä paisutti niiden tiheyttä noin 15 %. Suositellut puolustuskeinot ovat kameroiden asettaminen kuukautta etukäteen, jotta eläimet tottuvat niihin, tai reaktiivisuudelle vähemmän herkän menetelmän suosiminen pahimpien häirikköjen kohdalla.

On myös hiljaisempi CT-DS-ansa, joka kannattaa tuntea, koska se on helppo ohittaa ja sen seuraukset ovat suuret. CT-DS suunniteltiin videolle. Jos sovellat sitä still-kuviin, kamera sokeutuu palautumisaikansa ajaksi ja niinä jaksoina, jolloin paikallaan oleva eläin ei onnistu laukaisemaan sitä uudelleen. Jos et vähennä näitä kuolleita väliaikoja tutkimuspanoksestasi, voit aliarvioida tiheyden jopa 96 % — koska olet hyvittänyt kameralle näytteistysaikaa, jonka se vietti nukkuen. Keskimääräinen kuollut väliaika oli eräässä eurooppalaisessa tutkimuksessa 8–15 sekuntia lajista riippuen, mikä kertyy nopeasti.

REST: vaihda nopeus oleskeluaikaan

Random Encounter and Staying Time -malli on REM:n nokkela japanilainen serkku. Se säilyttää REM:n kohtaamislogiikan mutta vaihtaa pois parametrin, jota kaikki inhoavat — päivämatkan — sellaiseen, jonka voit lukea suoraan kuvamateriaalista: oleskeluaika (staying time), kuinka kauan eläin viipyilee pienellä, ennalta määritellyllä fokusvyöhykkeellä, jolla olet varma, että havaitseminen on varmaa. Koska oleskeluaika on kääntäen verrannollinen nopeuteen, se kantaa saman tiedon ilman, että sinun tarvitsee koskaan pannoittaa mitään.

REST:llä on ominaisuus, jonka äärelle kannattaa pysähtyä: simulaatioissa se pysyi harhattomana silloinkin, kun yksittäiset eläimet liikkuivat eri nopeuksilla, ja jopa kun ne kulkivat pareittain. Tuo vankkuus on todellinen ja arvokas. Mutta REST tulee kuuluisan eksplisiittisen rikosrekisterin kera — tekijät luettelevat suoraan seitsemän oletusta. Kaksi niistä aiheuttaa suurimman osan ongelmista kentällä. Ensin, jos eläimet eivät ole aktiivisia samanaikaisesti — osa nukkuu toisten ravinnoillessa — REST aliarvioi tiheyden. Toiseksi eläin, joka lyyhistyy lepäämään fokusvyöhykkeen sisälle, tuottaa kammottavan pitkän oleskeluajan, joka vetää keskiarvoa ylös ja yliarvioi tiheyden; korjaus on hylätä nämä poikkeavat arvot ja korjata panoksesi sillä osuudella päivästä, jonka eläimet ovat todellisuudessa aktiivisia.

Käytännön pystytys on nirsompi kuin REM:n. Määrittelet fokusalueen — tasasivuinen kolmio toimii parhaiten — yleensä noin 1,9 metriä sivultaan, keskitettynä näkökenttään, ja varmistat, että havaitseminen sen sisällä todella on varmaa. Käytät kameraa ilman viivettä laukaisujen välillä (viive paisuttaa panoslaskelmaasi ja vääristää tiheyttä alaspäin), nopeilla antureilla ja anteliaalla akulla, mieluiten tallentaen yli 15 sekunnin videota. Sitten tulee raadanta: tyhjän fokusvyöhykkeen viitekuvan asettaminen kunkin eläinklipin päälle, jotta mitataan täsmälleen, kuinka kauan se oli sisällä. Käytännön oppaan tekijät ovat virkistävän suorasukaisia siitä, että tämä mittaus on ”työläs ja lapsenkengissään”.

Palkinto, siinä ainoassa vertailukokeessa, joka testasi kaikki suuret menetelmät yhdessä, oli paras tarkkuus ja pienin ihmistyömäärä kolmesta. Koukku on tuon tehokkuuden kääntöpuoli: koska REST käyttää vain pienen fokuskolmion ylittäviä eläimiä, siltä loppuu data matalatiheyksisille lajeille — juuri niissä tilanteissa, joissa lukua eniten kaipaisit.

TIFC: kamera koeruutuna

Time-in-front-of-camera vie oleskeluajan idean loogiseen äärimmilleen ja tekee siitä kiistatta koko joukon käytännönläheisimmän. Unohda kohtaamisten erottaminen oleskeluajoista. Laske vain yhteen kokonaisaika, jonka mikä tahansa kohdelajisi eläin vietti näkökentässä koko toteutuksen ajan, jaa se näytteistetyllä alueella ja kokonaiskäyttöajalla, ja sinulla on tiheys.

Syy siihen, miksi tämä toimii, on aidosti tyydyttävä. Kumulatiivinen aika näkökentässä on riippumaton siitä, kuinka nopeasti eläimet liikkuvat ja kuinka suuria niiden elinpiirit ovat. Tuplaa eläimen nopeus, ja se viettää puolet vähemmän aikaa kuvassa kullakin ohituksella — mutta se ohittaa kaksi kertaa useammin. Tuplaa elinpiirin koko, ja eläin vierailee millä tahansa yksittäisellä kameralla puolet harvemmin — mutta on kaksi kertaa enemmän eläimiä, joiden elinpiirit menevät päällekkäin tuon kameran kanssa. Kirjanpito kumoutuu, jättäen sinulle mitan, joka ei tarvitse lainkaan liikkumisnopeutta, ryhmäkokoa eikä elinpiirisyötettä. Tästä syystä se on otettu käyttöön valtavassa mittakaavassa: lähes 3 000 kameraa eri puolilla Albertaa kuuden vuoden aikana.

TIFC:n oletukset ovat samaa perhettä kuin muillakin — edustava sijoittelu, ei kameran aiheuttamaa käyttäytymismuutosta, luotettava havaitseminen kameran lähellä — mutta sen tunnusomainen heikkous on se, jonka kaikki oleskeluaikamenetelmät jakavat, ja TIFC tuntee sen terävästi, koska se laskee jokaisen sekunnin: viipyilevät eläimet paisuttavat arviota. Tuore sorkkaeläintutkimus erittelin tarkalleen, miten tämä toteutuu lajista toiseen, ja se on kirjallisuuden selkein varoittava esimerkki. Verrattuna ilmalaskentoihin TIFC osui hirveen (yksineläjä, ei kuhnaile). Se tuli 19 % liian alhaisena biisonille, koska kamerat alinäytteistivät avoimet ruohotasangot, joista biisoni pitää. Ja se antoi hätkähdyttävän 116 % liian korkean lukeman wapitille, koska kamerat sijaitsivat riistapoluilla (joille wapitit tiivistyvät) ja koska wapitit pysähtelivät jatkuvasti tutkimaan objektiivia — molemmat paisuttivat oleskeluaikaa. Korjauskertoimet auttoivat, mutta tekijät varoittavat, että nuo kertoimet saattavat vaatia uudelleensäätöä kutakin maisemaa varten. Johtopäätös ei ole ”TIFC on huono”. Se on, että sama menetelmä voi olla harhaton, alaspäin harhainen ja ylöspäin harhainen kolmelle lajille samassa aineistossa, kokonaan sijoittelun ja käyttäytymisen vuoksi.

Sama menetelmä oli harhaton hirvelle, alaspäin harhainen biisonille ja ylöspäin harhainen wapitille — yhdessä aineistossa, kokonaan sen vuoksi, missä kamerat sijaitsivat ja miten eläimet käyttäytyivät.

Time-to-event ja space-to-event: kellon ja aukkojen laskeminen

Uusin haara syntyi biologeista, jotka ajattelivat kuin eloonjäämisanalyytikot. Jos kamera tallentaa tapahtumia jatkuvasti, niin aika ensimmäisen eläimen ilmaantumiseen kantaa tietoa runsaudesta. Se on time-to-event (TTE) -malli. Ongelma on, että TTE, kuten REM, riippuu riippumattomasta liikkumisarviosta ja on siksi herkkä liikkumisnopeudelle — simulaatioissa se taipui aliarvioimaan, pahasti hitaasti liikkuvilla kannoilla.

Niinpä sama tiimi teki jotakin näppärää: se tiivisti kunkin näytteistyshetken yhteen hetkeen. Jos katsot vain yhtä jähmettynyttä hetkeä, eläinten liikkuminen väliajan aikana ei voi vääristää tulostasi. Se on space-to-event (STE) -malli, ja sen arviot ovat täysin liikkumisnopeudesta riippumattomia. STE käyttää aikaviivekuvia (time-lapse) — ruutuja, jotka otetaan aikataulun mukaan liikelaukaisun sijaan — mikä kantaa toisen, aliarvostetun edun: se sivuuttaa koko vaihtelevan liiketunnistimen havaitsemisen ongelman, koska aikataulutettu ruutu joko sisältää eläimen tai ei. Vielä yksi yksinkertaistus, hetkittäinen näytteistys (instantaneous sampling, IS), vain laskee eläimet kussakin aikaviiveruudussa kiinteän alan otoksena.

Talvehtiviin wapiteihin kohdistetussa kenttäkokeessa STE tuotti uusista menetelmistä parhaan tarkkuuden ilman minkäänlaista liikkumissyötettä ja päätyi lähelle ilmalaskennan lukemaa. Nämä menetelmät ratkaisevat myös hiljaisesti työmääräongelmia: TTE antaa tarkastajan lopettaa kuvien selailun ensimmäisen havainnon jälkeen, ja STE antaa arvioida runsauden laskematta, montako eläintä kussakin valokuvassa on — todellinen säästö, sillä kuvakohtaiset laskennat ovat hitaita ja virhealttiita. Kompromissi on, että aikaviivekuvaus sopii yleisille lajeille; aidosti harvinaisille eläimille aikataulutetut ruudut ovat enimmäkseen tyhjiä. Ja kaikki kolme olettavat eläinten jakautuvan suunnilleen satunnaisesti (Poisson) kunkin kameran ympärille, mikä rasittuu tiiviisti sosiaalisilla tai reviirillisillä lajeilla.

Jähmetä otos yhteen hetkeen, eikä eläimen nopeus voi enää huijata sinua — juuri tuo yksi temppu erottaa space-to-eventin kaikesta siitä, jonka on tiedettävä, kuinka nopeasti eläimet liikkuvat.

Joten mitä sinun pitäisi käyttää?

Tässä kohtaa kirjallisuus lunastaa arvonsa, sillä joku vihdoin ajoi menetelmät rinnakkain sen sijaan, että olisi puolustanut yhtä. Palencia kollegoineen alisti REM:n, REST:n ja CT-DS:n samoille kuudelle saksanhirvi-, villisika- ja kettukannalle. Rauhoittava tulos: viidessä kannassa kuudesta kolme menetelmää eivät tuottaneet tilastollisesti merkitsevää eroa tiheydessä, ja tarkkuus oli samankaltainen. Ne eivät ole räikeästi eri mieltä.

Mutta vivahde on eroissa. REM taipui lukemaan korkeammalle kuin REST ja CT-DS (jotka ovat, tekijät osoittavat, matemaattisesti ekvivalentteja). Tarkkuudessa ja panoksessa REST tuli edelle — pienin variaatiokerroin, vähiten kuvankäsittelyaikaa — kun taas CT-DS vaati eniten analyysia. Tästä syntyi alan siteeratuin nyrkkisääntö:

Kohtele tätä taulukkoa lähtökohtana, ei tuomiona. Katsauskirjallisuuden syvempi ohje on valita kolmen asian perusteella: kohdelajisi luontaishistoria (viipyileekö se? kulkeeko laumoissa? kiipeääkö puihin?), huolellisesti määritelty näytteistyskehys ja se, mikä tiedonkeruu on sinulle todella toteutettavissa. Teoriassa paras menetelmä, jota et voi toteuttaa siististi, häviää yksinkertaisemmalle, jonka voit toteuttaa.

Ja pidä validointitutkimukset näkyvillä, sillä ne hillitsevät optimismia. Kun tutkijat testasivat REM:iä, CT-DS:ää ja TTE:tä tilallisen merkintä-takaisinpyynnin totuutta vastaan kymmenellä neotrooppisella lajilla, merkitsemättömät menetelmät olivat tarkkoja mutta vähemmän täsmällisiä kohtalaisen yleisillä lajeilla kuten ocelotti — ja epäonnistuivat jaguaareilla, harvinaisella lajilla, jolla ne eivät kyenneet tavoittamaan SECR:ää. Suorasukainen johtopäätös: merkitsemättömät mallit ovat lupaavia runsaille ja suhteellisen harvinaisille eläimille, mutta aidosti harvinaisille haluat yhä merkkejä. Voimallakin on väliä: todellisen kannanlaskun havaitsemiseen tarvittavan tarkkuuden saavuttaminen edellyttää usein yli 100 kamerapaikkaa, ja harvinaisille lajeille sekään ei ehkä riitä.

Vastakohta: tilallinen merkintä-takaisinpyynti, kun voit erottaa yksilöt

Kannattaa olla selvillä siitä, mitä nämä merkitsemättömien menetelmät kiertävät. Kun eläimet ovat yksilöllisesti tunnistettavissa — luontaiset turkkikuviot, arvet tai kiinnitetyt merkit — tilallinen merkintä-takaisinpyynti (SECR) on standardi, ja se tekee jotakin, mitä merkitsemättömät menetelmät eivät voi: se arvioi tehollisen näytteistetyn alueen tilastollisesti, siitä kuviosta, jossa sama yksilö havaitaan uudelleen. Se on juuri se nimittäjäongelma, jonka ohi merkitsemättömien perheen on oletettava tiensä.

Syy siihen, miksi SECR ei ole vastaus useimpiin projekteihin, on yksinkertaisesti se, että useimmilta lajeilta puuttuvat käyttökelpoiset merkit. Katsaus riistakameroiden SECR-tutkimuksiin havaitsi voimakkaan vinouman suurten kissaeläinten hyväksi — raitojen ja täplien lajien — koska juuri niissä yksilötunnistus on toteutettavissa, ja monille näistä lajeista SECR tarjoaa ainoat olemassa olevat tiheyden vertailuarviot. Nämä kaksi maailmaa kohtaavat vertailututkimuksissa, ja vertailut ovat rohkaisevia: aja merkitty SECR sekä merkitsemättömät CT-DS ja REM samalle näätäkannalle, ja kaikki päätyvät samaan suuruusluokkaan (pistearviot välillä 0,49–1,20 eläintä/km²), erotellen lähinnä tarkkuudessa ja kustannuksissa. CT-DS oli itse asiassa täsmällisin menetelmä tuossa nimenomaisessa mittelössä. Merkitsemättömät menetelmät eivät ole kehno korvike SECR:lle — ne ovat legitiimi työkalu, joka yksinkertaisesti vaihtaa hieman tarkkuutta siihen, ettei kenenkään tarvitse tunnistaa ketään.

Koneisto jokaisen menetelmän alla

Huomaa, mikä nousi jatkuvasti pintaan jokaisessa yllä olevassa osiossa: havaitsemisvyöhyke ja aktiivisuustaso. Nämä kaksi putkitusosaa syöttävät lähes kaikkia menetelmiä, ja niiden säätäminen väärin turmelee hiljaa kaiken alavirrassa.

Tehollinen havaitsemisetäisyys — kuinka kaukaa kamera luotettavasti aistii eläimet — ei ole kameran kiinteä ominaisuus. Se kasvaa voimakkaasti ruumiinmassan mukana (isommat, lämpimämmät eläimet laukaisevat anturin kauempaa) ja on lyhyempi tiheässä kasvillisuudessa. Eräässä trooppisen metsän aineistossa tehollinen havaitsemisetäisyys vaihteli lähes kolminkertaisesti lajien välillä ja oli noin 70 % pidempi kuivalla kaudella kuin sadekaudella. Käytännön seuraukset ovat teräviä. Et voi käyttää yhden lajin havaitsemisetäisyyttä uudelleen toiselle — kotikissan havaitsemisvyöhykkeen käyttäminen näädälle aliarvioi näädän tiheyden, koska näätä aistitaan eri etäisyydellä. Ja näennäinen ero elinympäristön käytössä kahden paikan välillä voi osoittautua pelkäksi havaitsemisetäisyyden eroksi, jonka kasvillisuus aiheuttaa. Korjaus on edullinen: aseta etäisyysmerkit näkökenttään (vähintään viisi väliä) ja sovita havaitsemisfunktio sen mukaan, minkä merkin kukin eläin ylittää. Käytä kameroita aina näiden merkkien kanssa, jotta voit korjata kohtaamistaajuudet jälkikäteen.

Aktiivisuustaso — se osuus päivästä, jonka eläimet ovat aktiivisia — on toinen jaettu korjaus, jota REST, CT-DS ja TIFC käyttävät asettaakseen havainnot oikealle aikaperustalle. Se lepää yhden oletuksen varassa, joka ansaitsee epäileväisen silmän: että kaikki yksilöt ovat aktiivisia päivittäisellä huipulla. Kun tämä pitää, menetelmä toimii; kun se ei pidä, yliarvioit aktiivisuuden ja siksi aliarvioit tiheyden. Eikä se aina pidä — suuret saalistajat, joiden metsästyssyklit ulottuvat päivien mittaisiksi, tai pienet nisäkkäät sydäntalven lyhyinä päivinä korkeilla leveysasteilla voivat rikkoa sen. Tämä on se yksittäinen lanka, joka sitoo vikatilat yhteen: eräs monilajitutkimus sanoi sen suoraan, että REM, REST ja CT-DS sisältävät kaikki eksplisiittisesti aktiivisuusoletuksen, kun taas time-to-event -menetelmät kantavat julistamatonta — että eläimet ovat aina saatavilla. Pariutettujen kameroiden tarkistus tuossa työssä havaitsi, että 9 % eläimistä oletetusti varman havaitsemisen vyöhykkeellä jäi täysin huomaamatta, minkä pitäisi nöyryyttää kenen tahansa uskoa ”täydelliseen havaitsemiseen etäisyydellä nolla”.

Havaitsemisvyöhykkeen tai aktiivisuustason säätäminen väärin turmelee hiljaa jokaisen niiden päälle rakennetun tiheysarvion.

Tekeminen oikeasti: kentän ja ohjelmiston käytännön seikat

Jos et ota vertailu- ja validointityöstä mitään muuta, ota nämä kaksi ehdotonta, jotka jokainen menetelmä jakaa:

1. Sijoita kamerat satunnaisesti suhteessa eläinten liikkumiseen. Käytä satunnaista tai satunnaisen alkupisteen systemaattista asetelmaa. Kameran siirtäminen muutaman metrin puun tavoittamiseksi on sallittua; polun, kaavintapaikan, mutakylvyn tai syötin tarkoituksellinen valitseminen on kohtalokasta harhattomalle arviolle.
2. Käytä suorituskykyisiä kameroita. Nopea laukaisu (selvästi alle sekunti), luotettava palautuminen ja joko videota tai nopeita kuvasarjoja. Hitaat tai oikulliset laukaisut heikentävät ”varman havaitsemisen” oletusta, joka on REM:n, REST:n, CT-DS:n ja TTE:n sydämessä yhtä lailla.

Panoksen osalta raaka laskutoimitus on masentava mutta hyödyllinen. Kameroiden välinen kohtaamistaajuus hallitsee varianssia, joten useampi kamerapaikka voittaa pidemmät toteutukset harvemmilla paikoilla. Konkreettiset CT-DS-tavoitteet suuresta panos–tarkkuus-tutkimuksesta: noin 20 %:n variaatiokerroin vaatii karkeasti 100 näytteistyspäivää 50 paikassa tai 100–150 paikkaa lyhyempää tutkimusta varten; 10 %:n variaatiokertoimeen pusertaminen voi vaatia yli 200 paikkaa. Suunnittele sen mukaisesti, ja ole itsellesi rehellinen ennen kuin aloitat siitä, onko kohdelajisi ylipäätään riittävän yleinen käyttökelpoisen tarkkuuden saavuttamiseksi.

Ohjelmistopuolella hyvä uutinen on, että työkalut ovat avoimia ja parantuvat. Tiheyden arviointi R:ssä on hyvin tuettu — on olemassa ylläpidetty läpikäynti, joka kattaa REM:n, time-to-eventin ja space-to-eventin, N-mixture-mallin ja merkitsemättömän tilallisen merkintä-takaisinpyynnin — ja aktiivisuuskorjaus asuu `activity`-paketissa, kun taas etäisyysotannalla on Distance-ohjelma takanaan. Sama R-painotteinen luku on virkistävän avoin siitä, että tiheyden arvioiminen kameradatasta ”ei ole helppoa, usein ei ole tarkkaa” ja tarkoittaa yleensä todellista työtä — terve asenne kannettavaksi mukaan.

Eturintama on automaatio, ja se saapuu nopeasti. Puoliautomaattinen CT-DS-työnkulku käyttää nyt syväoppimiseen perustuvaa syvyysmallia sekä automaattista eläintunnistinta mitatakseen havaintoetäisyydet suoraan valokuvista, kalibroituna vain kahdella viitekuvalla kameraa kohti. Se tuotti tiheysarviot, jotka olivat tilastollisesti erottamattomat työläästä käsin tehdystä mittauksesta, ja leikkasi samalla datankäsittelyajan yli kolmetoistakertaisesti — kutistaen viikkojen etäisyysannotoinnin pariin päivään. Monilajimenetelmät edistyvät nekin: REM:n bayesilainen laajennus arvioi nyt tiheyden koko yhteisölle kerralla, harvinaisimmat lajit mukaan lukien, käyttäen vain kuvista itsestään poimittua tietoa.

Loppupäätelmä

Yleispätevää menetelmää ei ole, ja jokainen, joka väittää muuta, on kaupustelemassa jotakin. REM, CT-DS, REST, TIFC ja time-to-event -perhe ovat kaikki legitiimejä, kaikki vertaisarvioituja ja kaikki kykeneviä tuottamaan tiheysarvioita, jotka kestävät riippumattomia tutkimuksia vastaan — silloin, kun niiden oletuksia kunnioitetaan. Valitse lajisi käyttäytymisen ja datatodellisuutesi mukaan, ei sen perusteella, millä menetelmällä on nätein johto. Kunnioita satunnaista sijoittelua ennen kaikkea. Mittaa havaitsemisvyöhykkeesi. Tarkista aktiivisuusoletus. Ja mitoita tutkimuksesi sen tarkkuuden mukaan, jota todella tarvitset, tietäen että harvinaisille lajeille vastaus voi silti olla ”sinne ei pääse ilman merkkejä”. Tuolla kirkassilmäisellä nöyryydellä käytettyinä kamerat muuttavat pinon kohdentamattomia valokuvia yhdeksi tehokkaimmista ja vähiten kajoavista tiheystyökaluista, joita riistantutkimuksella on.

Usein kysytyt kysymykset