Esiintyvyysmallit riistakameroille: kun tyhjä kamera ei tarkoita, että eläin on poissa

Pidit kameraa harjanteella kolme viikkoa etkä kertaakaan kuvannut ilvestä. Eikö ilvestä ole, vai jäikö se vain sinulta huomaamatta?

Tuo kysymys on koko pelin ydin, ja useimmat analyysit menevät siinä metsään olettamalla vastauksen olevan itsestään selvä. Ei se ole. Tyhjä havaintomerkintä asutulla paikalla ei ole vika; se on yksinkertaisen tosiasian odotettu seuraus — kamerasi ei nappaa kaikkea ohi kulkevaa, ja eläin, joka liikkuu kameran näkökenttää paljon laajemmalla elinpiirillä, viettää suurimman osan ajastaan jossakin, minne kamerasi ei katso. Kohtele tuota tyhjää todellisena poissaolona, ja olet leiponut virheen kaikkeen alavirran työhön: levinneisyyskarttaasi, elinympäristömalliisi, johtopäätökseesi ”laji on hävinnyt tältä valuma-alueelta”. Tämänkaltaisen merkinnän kohtelias ja täsmällinen nimi ei ole ”poissaolo”. Gary Whiten esiintyvyysmuistiinpanot sanovat sen suoraan: kyse on läsnäolo/näennäinen poissaolo -datasta, ja ”lajin havaitsematta jääminen ei tarkoita poissaoloa”.

Esiintyvyysmallinnus (occupancy modeling) on viitekehys, joka on rakennettu ottamaan tuo tosissaan. Sen sijaan, että laskettaisiin eläimiä, se kysyy vastattavamman kysymyksen — onko tämä paikka asuttu vai ei? — ja arvioi kaksi asiaa yhtä aikaa: ψ:n (psii), todennäköisyyden, että paikka on asuttu, ja p:n, todennäköisyyden, että havaitset lajin tietyllä kartoituskerralla edellyttäen, että se on paikalla. Temppu, joka saa tämän toimimaan, on lähes noloudella yksinkertainen: kartoita kukin paikka useammin kuin kerran. Jos havaitset lajin edes kerran, tiedät paikan olleen asuttu koko ajan, mikä tarkoittaa, että jokainen tyhjä kartoituskerta kyseisellä paikalla oli ohilyönti, ei poissaolo — ja noiden ohilyöntien osuus on juuri se tieto, jota tarvitset p:n arvioimiseen ja sitten ψ:n korjaamiseen kaikilla niillä paikoilla, joilla et nähnyt yhtään mitään.

Tämä on menetelmäkirjoitus niille, jotka oikeasti toteuttavat sen: tutkijoille, riistan- ja luonnonvarainhoitajille sekä kansalaistieteen vakavammalle päälle. Rakennamme esiin, miksi naiivi esiintyvyys on harhainen, kuinka yhden kauden ja dynaaminen malli toimivat, mitä oletukset todella sinulta vaativat, missä riistakamerat erityisesti kompastuttavat mallin ja mihin ohjelmistoon tarttua. Se on läheistä sukua kahdelle muulle kysymykselle — kuinka ylipäätään sijoittaa kamerat ja kuinka muuntaa havainnot eläintiheydeksi — mutta se on niistä erillinen, ja pidämme sen sellaisena. Jos kaipaat kameraverkoston suunnittelun kerrosta, katso; jos haluat luvun, jolla on yksikkönä eläintä/km², katso.

Miksi ”naiivi esiintyvyys” on väärä lähtöviiva

Aloita houkutuksesta, jonka jokainen tuntee. Sinulla on ruudukollinen kamerapaikkoja ja merkintä kustakin: näyttäytyikö kohdelaji vai ei? Ilmeinen liike on kutsua sitä osuutta, jolla se näyttäytyi, esiintyvyysarvioksesi. Se on naiivi esiintyvyys — ja se on harhainen alaspäin, joka kerta, määrällä, jota et voi nähdä etkä rajata ilman lisätietoa.

Tässä on mekanismi, vielä ilman matematiikkaa. Oletetaan, että laji tosiasiassa asuttaa 60 sadasta paikastasi. Noilla 60 asutulla paikalla kamerasi havaitsee sen vaikkapa 40:llä ja jättää sen huomaamatta muilla 20:llä. Naiivi arviosi on 40/100 = 0,40. Totuus oli 0,60. Et mitannut esiintyvyyttä; mittasit esiintyvyyden kertaa havaittavuuden, sotkeutuneina yhteen, ja raportoit tulon ikään kuin se olisi ollut se asia, josta välitit. Mitä matalampi havaitsemistodennäköisyytesi, sitä pahempi kuilu — ja havaitsemistodennäköisyydet ovat matalia. Kellner ja Swihart havaitsivat 537 ekologisen julkaisun määrällisessä katsauksessa, että niistä tutkimuksista, jotka sen ylipäätään raportoivat, 70 %:lla oli kartoituskohtaiset havaintoarviot alle 0,5. Useimmat kartoitukset, useimmiten, jättävät lajin huomaamatta useammin kuin nappaavat sen.

Se pahenee sillä hetkellä, kun teet datalla mitään kiinnostavaa. Klassinen osoitus on Gun ja Swihartin ”Absent or undetected?”, joka näytti, että kun todennäköisyytesi havaita laji on itse korreloitunut elinympäristömuuttujan kanssa — ja yleensä on; eläimet on helpompi kuvata joissakin suojatyypeissä kuin toisissa — tuo korrelaatio vuotaa arvioimiisi elinympäristökertoimiin ja harhauttaa niitä, kumpaan tahansa suuntaan riippuen mukana olevista etumerkeistä. Heidän pikkunisäkkäiden pyyntiesimerkissään ei-havainnon virhe vaihteli 0 %:sta 23 %:iin seitsemän lajin kesken viiden pyyntipäivän jälkeen. Niinpä malli, joka kertoo sinulle ”tämä laji rakastaa tiheää pensaikkoa”, saattaa kertoa sinulle vain ”tämä laji on helpompi napata tiheässä pensaikossa”. Sama data, päinvastainen merkitys.

Naiivi esiintyvyysarvio ei ole esiintyvyys — se on esiintyvyys kertaa havaittavuus, raportoituna ikään kuin jälkimmäinen luku olisi 1.

Siinä peruste ylimääräisen työn tekemiselle. Nyt itse työhön.

Yhden kauden malli, rakennettuna yhdestä paikasta

Kaikki lähtee staattisesta, yhden kauden mallista: yksi tilannekuva ajassa, jonka aikana oletamme, ettei paikan esiintyvyystila muutu. Valitse paikkasi, kartoita kukin niistä useita kertoja riittävän lyhyen ikkunan sisällä, ettei mikään liiku sisään tai ulos, ja kirjaa näkemäsi havaintohistoriaksi — jono ykkösiä (havaittu) ja nollia (ei havaittu), yksi numero kutakin kartoituskertaa kohti.

Mallissa on kaksi liikkuvaa osaa. Paikka on asuttu todennäköisyydellä ψ tai ei, todennäköisyydellä 1−ψ. Jos se on asuttu, havaitset lajin kullakin kartoituskerralla todennäköisyydellä p tai jätät sen huomaamatta todennäköisyydellä 1−p. Ja — tämä on kantava oletus, johon palaamme — jos paikka on asumaton, et voi havaita lajia lainkaan. Näistä paloista voit kirjoittaa minkä tahansa havaintohistorian todennäköisyyden. MARK-oppikirjan laskettu versio on selkein, jonka tunnen. Historialle ”01” (huomaamatta ensimmäisellä kartoituskerralla, havaittu toisella) todennäköisyys on:

ψ (1 − p₁) p₂ — paikka on asuttu, jätit sen ensimmäisellä kerralla huomaamatta, nappasit toisella.

Kiinnostava on pelkkien nollien historia, ”00”. Et nähnyt mitään. Tarkoittaako se, että paikka on tyhjä? Malli kieltäytyy olettamasta niin. Sen todennäköisyys on:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Lue tuo ääneen, sillä se on koko filosofia yhdellä rivillä: joko paikka oli asuttu ja jätit lajin huomaamatta molemmilla kartoituskerroilla (vasen termi), tai paikka ei todella ollut asuttu (oikea termi). ”+” on looginen TAI. Tyhjä merkintä on yhteensopiva molempien tarinoiden kanssa, ja malli pitää molemmat elossa painottaen niitä sillä, kuinka usein havaitset lajin paikoilla, joilla näit sen. Sieltä korjaus tulee. Aja tämä uskottavuus kaikkien paikkojesi yli kerralla, ja saat ψ:n, joka ottaa huomioon eläimet, joita et kuvannut.

Vertaa tuota vanhaan tapaan — läsnäolon logistiseen regressioon elinympäristön suhteen — joka ”olettaa lajin olleen poissa paikoilla, joilla sitä ei havaittu, ja siksi päättelyn tiedetään olevan harhaista, kun todennäköisyys havaita laji paikalla on alle yksi”. Esiintyvyysmallinnus on pohjimmiltaan tuo yksi korjaus rehellisesti sovellettuna.

R:ssä tämä on `occu()`-funktio unmarked-paketissa: rakennat `unmarkedFrameOccu`-olion havaintomatriisistasi ja sovitat sen kaksoiskaavalla — yksi osa havaitsemiselle, yksi esiintyvyydelle. Palaamme ohjelmistoon. Ensin data, jota nuo mallit syövät, sillä riistakameroilla juuri siellä todelliset valinnat piileskelevät.

Kamerarullan muuntaminen havaintohistoriaksi

Lintukartoitus tulee valmiiksi paketoituna jaksoihin: kävit kosteikolla tiistaina, torstaina ja lauantaina — kolme kartoitusta. Riistakamera ei toimi niin. Se käy yhtäjaksoisesti viikkokausia ja ojentaa sinulle pinon aikaleimattuja valokuvia. Ennen kuin mikään esiintyvyysmalli voi koskea tuohon, sinun on itse paloiteltava toteutus erillisiin jaksoihin, ja se, kuinka paloittelet sen, muuttaa vastaustasi.

Työkalu, jota useimmat käyttävät, on camtrapR:n `detectionHistory()`, joka ottaa merkintäsi ja `occasionLength`-parametrin ja tuottaa havainto/ei-havainto-matriisin, jota unmarked tai sen bayesilaiset serkut odottavat — ja, mikä tärkeää, antaa kuljettaa mukana kameran aktiivista pyyntipanosta, jottei kymmenen päivää käynyttä asemaa kohdella samoin kuin kolmekymmentä päivää käynyttä. Harkinnanvarainen valinta on jakson pituus, ja Sollmannin johdatus esittää kompromissin selkeästi:

• Liian lyhyt (vaikkapa päivittäiset jaksot), ja matriisisi täyttyy nollista. Nollien muuri vetää havaintoarvion kohti nollaa ja voi rikkoa mallin numeerisesti.
• Liian pitkä, ja heität tietoa hukkaan — viisitoista erillistä valokuvaa ketusta yhdellä paikalla luhistuu yhdeksi ”1”:ksi, ja olet hylännyt kaiken, mitä toistuvien käyntien piti kertoa sinulle p:stä.
• Pidä se vakiona. Havaitsemistodennäköisyys kasvaa jakson pituuden myötä, joten jos jaksosi (tai niiden sisältämä panos) vaihtelevat, sinun on lisättävä jakson pituus tai panos kovariaatiksi havaitsemiselle tai hyväksyttävä harhainen p.

On hienovaraisempi kameraspesifi ansa, jolle Goldsteinin ja kollegoiden vuoden 2024 julkaisu pani numeron: ajallinen autokorrelaatio. Eläin, joka on kuvattu kameralla tänään, kuvataan siellä todennäköisemmin huomenna — se käyttää tuota paikkaa. Vakioesiintyvyysmallit olettavat toistuvien havaintojesi olevan riippumattomia, ja kun ne eivät ole, malli lukee ryhmittyneet havainnot todellista korkeampana havaintotaajuutena ja päättelee sitten, että paikat, joilla ei ole havaintoja, ovat luultavasti tyhjiä — harhauttaen esiintyvyyttä alaspäin. Heidän tuomionsa on ojentava: autokorrelaatio on ”todennäköisesti laajalle levinnyttä riistakameradatassa, ja monet aiemmat riistakameradataan perustuvat esiintyvyystutkimukset ovat saattaneet järjestelmällisesti aliarvioida esiintyvyystodennäköisyyksiä”. Heidän korjauksensa ovat käytännöllisiä ja opettelemisen arvoisia: testaa sitä join-count-yhteensopivuustestillä; jos sitä esiintyy, käytä suurempia havaintoikkunoita imeäksesi ryhmittymisen; äläkä yritä korjata sitä jättämällä aukkoja jaksojen väliin — aukot eivät poista ajallista rakennetta ja vain heittävät dataa hukkaan.

Paloittele kameratoteutuksesi jaksoihin liian hienojakoisesti, ja malli hukkuu nolliin; liian karkeasti, ja heität hukkaan toistuvat havainnot, jotka saavat sen toimimaan.

Havaitsemistodennäköisyys ei ole koskaan vakio — joten mallinna se

Naiivi kuva olettaa yhden havaitsemistodennäköisyyden kaikelle. Todellisuus, samasta 537 julkaisun katsauksesta, on että kun tutkijat vaivautuivat testaamaan, oliko havaitseminen vakio, 86 % tapauksista se vaihteli merkitsevästi. Sää, vuodenaika, kameran sijainti polulla tai sen ulkopuolella, havainnoija, kuu — kaikki tämä liikuttaa p:tä. Hyvä uutinen on, että viitekehys rakennettiin juuri tähän: voit mallintaa esiintyvyyden ψ paikkakohtaisten kovariaattien funktiona (elinympäristö, korkeus, etäisyys tiehen) ja **havaitsemisen p paikka- ja kartoituskohtaisten kovariaattien funktiona** (panos, lämpötila, vuodenaika).

Yksi omaksumisen arvoinen erikoisuus: koska esiintyvyys oletetaan kiinteäksi kauden sisällä, ψ:hyn liittämiesi kovariaattien tulisi olla asioita, jotka eivät muutu tuon kauden sisällä — paikkatasoisia, ajassa vakioita. Havaitseminen p sen sijaan voi mielihyvin ottaa ajassa muuttuvia kovariaatteja, koska mittaat sen kartoituskerta kerrallaan.

Sitten on eräs havaitsemisen heterogeenisuuden laji, jota et yleensä voi nähdä etkä voi panna kovariaatiksi: vaihtelu, jota ohjaa se, montako eläintä paikalla todella on. Paikka, jolla on kahdeksan vakituista kettua, kuvaa ”ketun” paljon herkemmin kuin paikka, jonka läpi kulkee yksi. Royle ja Nichols muunsivat tuon riesan malliksi. Heidän avainoivalluksensa on, että runsauden vaihtelu synnyttää havaitsemistodennäköisyyden vaihtelua puhtaan suhteen kautta — mahdollisuus havaita laji paikalla on yksi miinus mahdollisuus jättää huomaamatta jokainen siellä oleva yksilö:

pᵢ = 1 − (1 − r)^{Nᵢ}, missä r on yksilökohtainen havaitsemistodennäköisyys ja Nᵢ on paikallinen runsaus paikalla i.

Enemmän eläimiä, korkeampi paikkatasoinen havaittavuus. Aja se toisin päin, ja voit johtaa karkean runsausarvion pelkästä toistuvasta havainto/ei-havainto-datasta merkitsemättä koskaan yhtäkään yksilöä — se on Royle–Nichols-malli. Syvempi opetus, Roylen ja Nicholsin omin sanoin, on että tämänkaltaisen heterogeenisuuden sivuuttaminen on ”de facto oletus vakioisesta runsaudesta paikkojen kesken”, mikä on harvoin se, mitä tarkoitat. Roylen myöhempi työ yleisti asian: kun havaitseminen vaihtelee asuttujen paikkojen kesken ja jätät sen mallintamatta, esiintyvyysarviosi on harhainen alaspäin. Havaitsemisen heterogeenisuus ei ole alaviite. Se on toiseksi suurin tapa, jolla nämä mallit menevät pieleen, heti sen jälkeen, kun teeskennellään havaitsemisen olevan ylipäätään täydellinen.

Kun esiintyvyys muuttuu: dynaaminen malli

Yhden kauden malli on valokuva. Joskus tarvitset elokuvan — leviääkö laji uusille seuduille vai sammuuko se paikoista, joissa se ennen oli? Se on dynaaminen, monikautinen malli, MacKenzien ja kollegoiden vuoden 2003 laajennus ja yksi haara mallien perheessä, joka on sittemmin kasvanut kattamaan useita tiloja, yhteisöjä ja vääriä positiivisia. Se lisää kaksi parametria, jotka ovat koko pointti:

• Kolonisaatio (γ, gamma): todennäköisyys, että paikasta, joka oli yhdellä kaudella asumaton, tulee asuttu seuraavalla.
• Paikallinen häviäminen (ε, epsilon): todennäköisyys, että paikasta, joka oli asuttu, tulee asumaton.

Rakenne peilaa Pollockin robustia asetelmaa: sinulla on ensisijaiset jaksot (”kaudet”, joiden välillä esiintyvyys voi muuttua) ja kunkin sisällä toissijaiset kartoitukset (toistuvat käyntisi, joiden aikana se ei voi). Varoitus sanasta ”kausi”, koska se kompastuttaa ihmisiä: esiintyvyysmallinnuksessa se ei tarkoita talvea tai kesää. Kuten eräs petoeläintutkimus toteaa suoraan, ”esiintyvyysmallissa sana ’kausi’ ei välttämättä tarkoita maantieteellistä vuodenaikaa… se tarkoittaa vain jaksoa, jonka aikana data kerättiin”. Kautesi voivat olla kolme peräkkäistä vuotta tai vuosikymmenen ajan toistettu kesä-ja-talvi. Malli ei välitä siitä, miksi niitä kutsut; se välittää siitä, että esiintyvyys on suljettu kunkin sisällä ja avoin niiden välillä.

Kaksi riistakameratutkimusta osoittaa mallin ansaitsevan paikkansa. Kolmivuotisessa pohjoiskiinanleopardin, leopardikissan ja ketun kartoituksessa eräällä kiinalaisella luonnonsuojelualueella tiimi käytti dynaamista mallia kysyäkseen, oliko kunkin petoeläimen esiintyvyys vakaa vai muuttuva, ja sitoi kolonisaation ja häviämisen korkeuteen ja ihmisen aiheuttamaan häiriöön — havaiten esiintyvyyden melko vakaaksi niin, että korkeudella oli enemmän merkitystä kuin etäisyydellä kyliin tai teihin. He olivat suorapuheisia myös keskeisestä jännitteestä: dynaamiset mallit olettavat paikkojen olevan suljettuja kartoitusten aikana mutta ”voivat olla ’avoimia’ kausien välillä”, ja tuo avoimuus ”tuo heterogeenisuutta, joka… aiheuttaa arvioharhaa”, jonka kovariaatit voivat vain osittain imeä.

Opettavaisin esimerkki on yksitoistavuotinen, kahdeksan lajin riistakamera-aineisto Luoteis-Anatoliasta, Turkista. He jäsensivät sen 11 kesä- ja 11 talvikaudeksi — 22 ensisijaista jaksoa — ja mallinsivat, kuinka kunkin lajin paikankäyttö muuttui vuodenajan, korkeuden ja ihmistiheyden mukana, sovittaen kaiken bayesilaisessa viitekehyksessä JAGS:lla ja tarkistaen sopivuuden bayesilaisella p-arvolla. Heidän löydöksensä oli selkeä peruste sille, että dynaamiseen ylipäätään kannattaa mennä: jokainen laji osoitti vuodenaikaisvaihtelua elinympäristön käytössä, mutta sen voimakkuus erosi lajeittain, joten yksittäinen vuotuinen tilannekuva olisi keskiarvoistanut pois juuri sen kuvion, jota he tavoittelivat. Jos eläimesi siirtyilevät vuoden sisällä — ja useimmat tekevät niin — staattinen malli valehtelee sinulle hiljaa liikkuvasta maalista.

”Kausi” esiintyvyysmallissa ei ole talvi tai kesä — se on vain se ikkuna, jonka ajaksi päätät esiintyvyyden pysyvän paikallaan.

Oletukset ja mitä ne sinulle maksavat

Tässä erottuvat hyvät soveltajat matkijoista. Esiintyvyysmallit lepäävät lyhyen oletuslistan varassa, ja kurinalaisuutta on tietää, mitä niistä taivutat ja mitä se tekee vastauksellesi. MARK-luku listaa viisi; kirjanmittainen käsittely, jos haluat jokaisen vivahteen ja niiden takana olevat todistukset, on MacKenzien ja kollegoiden Occupancy Estimation and Modeling.

Kolme näistä ansaitsee lähemmän tarkastelun kenelle tahansa kameroiden parissa työskentelevälle.

Sulkeutuneisuus ja rehellinen perääntyminen ”käyttöön”. Kamera vartioi muutamaa neliömetriä polkua; suden elinpiiri on satoja neliökilometrejä. Eläin liikkuu jatkuvasti kameran näkymään ja pois siitä, mikä rikkoo sulkeutuneisuutta tiukasti. Alan kypsä, rehellinen vastaus on tulkita parametri uudelleen: kun laajalti liikkuva laji on näin satunnaisesti saatavilla, esiintyvyysarviosi ovat yhä harhattomia, mutta ψ tulisi lukea todennäköisyytenä, että paikka on lajin ”käytössä”, ei tiukasti asuttu. Turkkilainen tutkimus teki juuri näin ja sanoi sen suoraan — koska kamerapaikka ”voi kattaa vain pienen osan yksilön elinpiiristä”, heidän analyysinsä ”arvioi paikan käytön todennäköisyyttä eikä esiintyvyyttä”, joten he kirjoittivat läpi tutkimuksen ”käyttö” ja nimesivät paikallisen häviämisen uudelleen ”hylkäämiseksi”. Tämä ei ole piiloteltava heikkous; se on oikea tulkinta, ja sen sanominen on merkki jostakusta, joka ymmärtää mallin.

Riippumattomuus ja kameraverkoston ansa. Tässä on yksi, joka puree nimenomaan kameraväkeä. MARK-tekijät antavat tarkan skenaarion: ”jos etäkamerat sijaitsevat lähekkäin, yksittäinen yksilö voidaan havaita useilla kameroilla (paikoilla) tietyn viikon (kartoituskerran) aikana”. Kun niin käy, paikkasi eivät ole riippumattomia — sama eläin tuottaa ”havaintoja” useilla niistä — joten kameroiden lukumäärä liioittelee riippumattomien yksiköiden määrää tutkimuksessasi. Vahinko on ovela: esiintyvyysarviosi pysyy usein suunnilleen oikeana, mutta epävarmuutesi aliarvioidaan — luottamusvälit liian kapeat, väärä tarkkuuden tunne. Korjaus asuu suunnitteluvaiheessa: väljennä kamerat riittävän kauas toisistaan riippumattomuuden vuoksi. (Mikä on tästä artikkelista erillinen kysymys, ja hyvä sellainen —.)

Ei vääriä positiivisia, ja miksi tekoäly nostaa panoksia. Jokainen yllä oleva malli olettaa, että jos kirjasit lajin, se todella oli paikalla. Vakioesiintyvyysmallit tekevät kaikkensa väärien negatiivisten varalta — läsnä olevan eläimen huomaamatta jäämisen — mutta olettavat, ettei vääriä positiivisia koskaan tapahdu. Niitä tapahtuu. Miller ja kollegat rakensivat perustavan mallin molempien virhetyyppien käsittelyyn sen jälkeen, kun kontrolloidut kokeet osoittivat, että jopa pitkälle koulutetut havainnoijat tunnistavat lajeja läsnä oleviksi, kun ne ovat poissa. Heidän varoituksensa on terävä: ”harha esiintyvyyden, kolonisaation ja häviämisen estimaateissa voi olla vakava, kun vääriä positiivisia esiintyy”, ja mallintamaton väärintunnistus yliarvioi esiintyvyyden. Tällä on enemmän merkitystä nyt kuin kirjoitushetkellä, koska automaattiset lajinluokittelijat tekevät juuri tämän virheen — leimaten luottavaisesti koiran sudeksi, kissan ilvekseksi. Väärin luokiteltu havainto on väärä positiivinen teknisessä mielessä, ja jos syötät varmentamattoman, automaattisesti leimatun havaintohistorian suoraan esiintyvyysmalliin, saatat mallintaa luokittelijan virheitä levinneisyyden laajenemisena. Puolustettava työnkulku, johon Millerin viitekehys viittaa, on säilyttää osajoukko havaintoja, jotka ovat varmennettuja — ihmisen vahvistama tyyppi, jolle vääriä positiivisia voidaan olettaa olevan poissa — ja antaa mallin nojata niihin.

Laajalti liikkuvilla eläimillä kameroissa arvioit harvoin tiukkaa esiintyvyyttä — arvioit paikan käyttöä, ja rehelliset julkaisut sanovat sen.

Useampi kuin yksi laji kerrallaan

Jos sinulla on kameraruudukko, sinulla ei juuri koskaan ole yhtä lajia — sinulla on yhteisö, joista useimmat on kuvattu liian harvoin mallinnettavaksi yksi kerrallaan. Monilaji- (yhteisö-) esiintyvyysmallit yhdistävät tietoa lajien kesken niin, että datarikkaat auttavat arvioimaan dataköyhiä, korjaten silti kunkin sen omalla havaitsemistodennäköisyydellä. Richin ja kollegoiden tutkimus nisäkäsyhteisöstä pohjoisessa Botswanassa on hyvä lippulaiva: 44 lajia 6 607 pyyntiyön aikana, keskimääräinen lajin esiintymistodennäköisyys 0,32 ja kartta siitä, mitkä elinympäristöt ja suojelualueet pitivät sisällään eniten monimuotoisuutta — kaikki samalla, kun otettiin huomioon, että eri lajeja kuvataan hurjan eri taajuuksilla.

Rehellinen varaus tulee Guillera-Arroitalta ja kollegoilta: yhteisömallit voivat arvioida lajirunsautta, mukaan lukien arvaus lajeista, joita ei koskaan lainkaan havaittu, mutta tuo arvaus havaitsemattomista lepää raskaasti mallin rakenteen ja oletusten varassa pikemmin kuin datan, jonka todella keräsit — joten tulkitse yhteisötason lajirunsauslukuja asianmukaisella nöyryydellä. Malli on voimallinen; se ei ole kristallipallo lajeille, joita kamerasi eivät koskaan nähneet.

Kuinka monta käyntiä ennen kuin ”poissa” tarkoittaa jotakin?

Tämän kysymyksen hoitajat oikeasti esittävät: kartoitin enkä löytänyt mitään — voinko nyt sanoa, ettei lajia ole täällä? Esiintyvyysvastaus on virkistävän konkreettinen: et voi koskaan sanoa ”poissa” varmuudella, mutta voit tehdä todennäköisyydestä, että olet jättänyt läsnä olevan lajin huomaamatta, niin pienen kuin haluat kasaamalla havaitsemismahdollisuuksia. Jos kartoituskohtainen havaitsemisesi on p, todennäköisyys, että jättäisit asutun paikan huomaamatta k:n riippumattoman kartoituskerran yli, on (1−p)^k — pieni p tarkoittaa vain, että tarvitset enemmän k:ta. Tutkimussuunnittelun kirjallisuus tekee tämän käytännöllisesti päinvastoin: päätä, kuinka varma sinun on oltava, ja kohdenna sitten tarpeeksi käyntejä ja käyntikohtaista panosta työntääksesi kumulatiivisen havaitsemistodennäköisyytesi siihen. Kameroilla ”enemmän käyntejä” tarkoittaa yleensä ”jätä se ulos pidemmäksi aikaa”, mikä on halvin säädin, joka sinulla on. Etkä aina tarvitse tarkoitusta varten rakennettua kartoitusta: Wevers ja kollegat rakensivat levinneisyysmallit villisialle ja metsäkauriille Sveitsin Jurassa satunnaisesta riistakameran ”sivusaaliista” — havainnoista, joita kertyi talvisten villieläinkartoitusten aikana, jotka tähtäsivät johonkin muuhun — mallintamalla ensin havaittavuuden ja sitten korjaamalla sen. Jo hallussasi olevat havainnot voivat usein vastata esiintyvyyskysymykseen, kunhan otat huomioon, kuinka epätäydellisesti keräsit ne.

Ja kun panokset ovat korkeat — uhanalainen laji, kriittistä elinympäristöä koskeva päätös — varovainen asento on se, jonka puolesta Bennett ja kollegat argumentoivat: koska epätäydellinen havaitseminen on normi ja meiltä puuttuvat hyvät havaittavuusarviot useimmille priorisoiduille lajeille, ”poissaoloa kartoituksissa tulisi pitää vain viitteellisenä”, ja kriittistä elinympäristöä tulisi hoitaa asuttuna silloinkin, kun läsnäoloa ei ole vahvistettu. Ei-havainto on todiste, ei todistus, ja se, kuinka vahva tuo todiste on, riippuu täysin siitä, kuinka kovasti etsit.

Et voi koskaan todistaa lajia poissaolevaksi — voit vain tehdä sen huomaamatta jäämisen todennäköisyydestä niin pienen kuin olet valmis näkemään vaivaa.

Ohjelmisto lyhyesti

Sinun ei tarvitse koodata uskottavuutta käsin. Ekosysteemi on kypsä, ja se, minkä työkalun valitset, riippuu enimmäkseen siitä, kuinka paljon haluat koodata ja kuinka suuri tai monimutkainen ongelmasi on.

Tyypillinen riistakameraputki kulkee camtrapR → unmarked (tai ubms / spOccupancy), PRESENCE koodittomana vaihtoehtona. Jos opettelet viitekehystä alusta, USGS:n `occupancyTuts`-paketti on aidosti hyvä sisäänajoramppi: 28 vuorovaikutteista opastusta, jotka kattavat yhden kauden, dynaamisen, tutkimussuunnittelun ja sivuhaaramallit, videoineen ja harjoituksineen.

Yksi pehmeä huomio työnkulusta, koska se on pullonkaula ennen kuin mikään näistä ohjelmistoista pyörii: esiintyvyysmallit tarvitsevat puhtaita havaintohistorioita, ja hidas osa on lähes aina tuhansien valokuvien lajittelu löytääkseen sen kourallisen, jossa kohdelajisi on — ja niiden merkitseminen oikein, sillä väärä merkintä on, kuten näimme, väärä positiivinen, jonka malli ottaa annettuna.

Esiintyvyys on todellinen suure — älä hiljaa muuta sitä runsaudeksi

Lopetuskuri, koska se on yleisin väärinkäyttö. Esiintyvyys on legitiimi, hyödyllinen suure omana itsenään — käytettyjen paikkojen osuus, kuinka se muuttuu elinympäristön mukana, kuinka se muuttuu vuosien varrella. Mitä se ei ole, on runsauden korvike. Sollmann on suorasukainen: ”esiintyvyyttä ei tulisi tulkita väärin runsauden indeksinä”, koska näiden kahden välinen suhde riippuu lajin levinneisyysalueen koosta ja käyttäytymisestä. Paikka voi näyttäytyä ”asuttuna”, käyttää sitä sitten yksi eläin tai viisikymmentä. Jos luku, jota todella tarvitset, on eläimiä neliökilometriä kohti, esiintyvyys on väärä malli ja haluat sen sijaan tiheysperheen. Käytä esiintyvyyttä siihen, missä se on loistava — missä laji on ja minne se on menossa — ja anna sen pysähtyä siihen.

Usein kysytyt kysymykset