Riistakameratutkimuksen suunnittelu: kameraväli, tiheys ja kesto

Tässä on epämukava totuus, johon suurin osa riistakameratutkimuksen suunnittelusta lopulta tiivistyy: kameraväli, tiheys ja kesto eivät ole kolme toisistaan riippumatonta säädintä, joita viritetään maun mukaan. Ne kaikki ovat seurausta yhdestä päätöksestä, jonka teet ennen kuin ainoakaan kamera lähtee maastoon — mitä oikeastaan yrität arvioida? Lajirikkaus, esiintyvyys (occupancy), suhteellinen runsaus ja tiheys vaativat kukin erilaisen asetelman, eri määrän asemia ja erimittaisen toteutuksen, ja asetelma, joka on erinomainen yhtä varten, voi olla huomaamatta hyödytön toista varten.

Se kuulostaa itsestäänselvältä. Sitä se ei selvästikään ole. Kun Burton kollegoineen kävi läpi 266 vuosina 2008–2013 julkaistua riistakameratutkimusta, 40,2 % ei käyttänyt lainkaan todennäköisyyspohjaista otanta-asetelmaa, vaan turvautui opportunistiseen tai kohdennettuun sijoitteluun, ja edelleen 21,4 % ei antanut juuri lainkaan tietoja otanta-asetelmasta. Alle kolmasosa mainitsi eksplisiittisesti sen tilallisen ja ajallisen riippumattomuuden oletukset, joista niiden analyysit riippuivat. Kamerat toimivat moitteetta. Asetelmat eivät monessa tapauksessa kyenneet tukemaan niitä päätelmiä, joita tekijät niistä vetivät.

Ennen kuin siis siirrymme lukuihin — ja alla on hyviä, täsmällisiä lukuja — sisäistä toimintojen järjestys. Valitse kysymys. Anna kysymyksen asettaa kameraväli suhteessa kohdelajisi elinpiiriin. Anna kameravälin ja tarkkuustavoitteesi asettaa asemien määrä. Anna havaittavuuden asettaa kesto. Kaikki muu on logistiikkaa. Tee järjestys väärin, eikä mikään määrä kenttätyötä sinua pelasta.

Aloita kysymyksestä, älä kamerasta

Kirjallisuuden hyödyllisin yksittäinen kehys on se, että kamerahavainto on kahden prosessin tulo: kuinka monta eläintä alueella on ja kuinka todennäköisesti kukin niistä tulee valokuvatuksi. Jokainen suunnitteluvalinta on todellisuudessa valinta siitä, kuinka käsittelet tuota jälkimmäistä prosessia — havaitsemista. Analyysimenetelmät erottaa toisistaan se, mitä ne olettavat, ja siksi se, mitä ne asetelmaltasi vaativat.

Pikakierros neljään yleiseen tavoitteeseen, koska tämän artikkelin loppuosa viittaa niihin jatkuvasti:

• Lajisto-inventointi / lajirikkaus — ”mitä täällä elää?” Jokaisella lajilla on oltava nollaa suurempi havaitsemismahdollisuus, mikä tarkoittaa enimmäkseen laajaa tilallista kattavuutta ja satunnaistamista, ei intensiteettiä yhdessä kohdassa.
• Esiintyvyys (occupancy) — ”kuinka suurta osaa paikoista laji käyttää?” Occupancy-kehys mallintaa eksplisiittisesti epätäydellistä havaitsemista toistettujen käyntien avulla, joten se tarvitsee riittävästi paikkoja ja riittävästi havaintokertoja paikkaa kohti havaitsemistodennäköisyyden naulaamiseksi.
• Suhteellinen runsaus (RAI) — havaintoja panosyksikköä kohti, käytettynä runsauden indeksinä. Halpa ja kaikkialla käytetty, mutta se lepää sankarillisen oletuksen varassa, että havaittavuus on vakio kaikkien vertailtavien asioiden välillä. Yleensä se ei ole.
• Tiheys — eläimiä pinta-alayksikköä kohti, kultainen standardi. Yksilöllisesti tunnistettaville lajeille (ajattele täpläkissoja) tämä tarkoittaa tilallista merkintä-takaisinpyyntiä (SCR/SECR); merkitsemättömille lajeille satunnaiskohtaamismalli (REM) on käytännössä ainoa peluri. Nämä kaksi menetelmää haluavat päinvastaisia asioita kameravälistäsi, mikä on koko alan suurin yksittäinen ansa.

GBIF:n datanjulkaisuopas tekee saman huomion toisesta päästä: ”mitä haluaisit tietää mistäkin lajiryhmistä? Kukin tavoite tuo mukanaan omat keskeiset huomioitavat ominaisuutensa, kuten kameran korkeuden ja suunnan, vuodenaikaisuuden, syötin käytön ja havaitsemisvyöhykkeen piirteet”. Nämä ominaisuudet eivät ole valinnaista metatietoa. Ne ovat itse suunnittelu.

Aloittelijan aikaa ansaitseva käytännönläheinen katsaus kehystää itse sijoittelun valikoksi — satunnainen, ositettu, systemaattinen, adaptiivinen ja occupancy-tyyppinen otanta, kullakin omat vahvuutensa. Se on hyvä ajatuksellinen tukirakenne. Mutta sillä hetkellä, kun valitset todellisia koordinaatteja, kysymys ei ole enää ”mikä otanta-arkkityyppi kuulostaa hyvältä” — se on ”mitä estimaattorini olettaa, ja täyttääkö tämä asettelu sen?”.

Kameraväli ja riippumattomuus: sidottu elinpiiriin, ei tapaan

Kameraväli on paikka, jossa hyvät aikomukset kuolevat, koska ”oikea” kameraväli kääntyy tavoitteesi mukaan — ja kirjallisuus on paikoin aidosti eri mieltä, minkä nostan esiin matkan varrella.

Lajirikkaudelle, occupancylle ja RAI:lle haluat yleensä riippumattomuutta. Nyrkkisääntö, johon lähes kaikki turvautuvat, on 1–2 km asemien välillä. Tuo luku ei ole pyhä; se on pragmaattinen korvike sanoille ”riittävän kaukana toisistaan, jotta kaksi kameraa ei näytteistä samoja yksilöitä”. WWF:n parhaiden käytäntöjen opas toteaa suoraan, että tiukan riippumattomuuden merkitystä ”usein liioitellaan, ja sillä voi olla vain vähäinen vaikutus tilastolliseen päättelyyn”, ja huomauttaa, että se tilallinen kasautuminen, josta kantaisit huolta, on todettu kameradatassa heikoksi silloin, kun sitä on etsitty. Kays kollegoineen havaitsi, ettei kameroiden välinen autokorrelaatio ollut ongelma noin 25 metriä pidemmillä väleillä trooppisessa metsässä — mutta subtrooppisessa pensaikkotutkimuksessa se havaittiin yhä 500 metrissä. Rehellinen versio siis: sido kameraväli kohdelajisi elinpiirin kokoon, käytä oletuksena karkeasti 1 km:ä (ja vähintään yhtä elinpiirin halkaisijaa), kun tietoa ei ole, ja muista, että voit mallintaa jäljelle jäävän riippuvuuden tilastollisesti sen sijaan, että suunnittelisit sen pois.

WildCAM:in pystytysopas antaa selväkielisimmän version kompromissista: jos arvioit grizzlykarhun occupancya ”ja kamerat asetetaan liian lähelle toisiaan, havainnot eivät ehkä ole tilastollisesti riippumattomia, jos on mahdollista, että sama yksilö havaitaan naapurikamerapaikoilla lyhyen ajan sisällä”, joten laajalti liikkuville nisäkkäille ”voi olla syytä valita suuret välimatkat”.

SCR/SECR-tiheydelle haluat juuri päinvastaista — riippuvuus on koko pointti. Nämä mallit toimivat seuraamalla, kuinka pyyntitodennäköisyys laskee etäisyyden kasvaessa eläimen aktiivisuuskeskuksesta, joten kukin yksilö täytyy valokuvata useammalla kuin yhdellä asemalla. Suositus: sijoita kamerat enintään 0,8-kertaisen keskimääräisen elinpiirin säteen päähän toisistaan, ja pyri ihanteellisesti kolmasosaan elinpiirin säteestä, mikä tarkoittaa karkeasti 4–7 kameraa kunkin elinpiirin sisällä. Perinteinen (ei-tilallinen) merkintä-takaisinpyynti on vieläkin tiukempi siitä, ettei jää ”aukkoja”, joihin kokonainen elinpiiri voisi kätkeytyä — Tobler ja Powell muotoilivat sen jaguaareille mieleenpainuvasti: ”kameroiden välissä ei saisi olla aukkoa, johon mahtuisi yksilön koko elinpiiri”.

Tästä tulee kiinnostavaa, ja tässä ala ei ole täysin asettunut. Pohjoisamerikkalaisen karhun SECR-tutkimus (WildCAM:in synteesin kautta) havaitsi, että kun kameraväliä kasvatettiin, tiheysarviot tuskin liikahtivat — ”voi olla kannattavampaa asettaa kamerat harvempaan laajemman alueen näytteistämiseksi”, koska SECR on paljon vankempi pientä asemamäärää kohtaan kuin muut tiheysmenetelmät. SECR:n vertailukatsaus päätyy samaan strategiseen johtopäätökseen: ”paras tapa lisätä tarkkuutta tutkimusasetelman näkökulmasta näyttäisi olevan pyydettyjen yksilöiden määrän kasvattaminen”, mikä saavutetaan luontevimmin tutkimusaluetta laajentamalla. SECR:ssä on siis todellinen jännite oppikirjamaisen ”pakkaa tiheään” -kameravälin ja käytännöllisen ”levitä laajalle useampien yksilöiden saamiseksi” -löydöksen välillä. Ratkaisu, johon useimmat päätyvät: ruudukkosi laajuus suhteessa elinpiirin kokoon merkitsee vähintään yhtä paljon kuin kameroiden välinen etäisyys — minkä alla oleva lumileoparditutkimus osoittaa raa'asti.

REM:n kohdalla kameraväli on vapautettu kohdelajista kokonaan, mikä on yksi sen parhaista ominaisuuksista. Koska REM ei tarvitse yhtään yksilöä kahdesti valokuvattuna, ”kameraväliä ei määrää kohdelaji”, ja samassa tutkimuksessa voidaan seurata useampaa kuin yhtä lajia. Sen sijaan REM vaatii, että kamerat sijoitetaan satunnaisesti suhteessa eläinten liikkumiseen — ei poluille, ei kaavintapaikoille, ei minnekään, joka on valittu paisuttamaan tai vähentämään kohtaamistaajuutta. Riko tämä, ja vääristät kohtaamistaajuutta, ja sen mukana tiheysarviota.

Kameraväli on paikka, jossa hyvät aikomukset kuolevat, koska ”oikea” kameraväli kääntyy tavoitteesi mukaan.

Kuinka monta asemaa? Tiheys ja kameroiden määrä

Yleispätevää vastausta ei ole, mutta tavoitteittain on hyviä tavoitelukuja, ja ne ovat täsmällisempiä kuin ”enemmän on parempi”.

Lajirikkaus. Suorin empiirinen näyttö tulee Kaysin ja kumppaneiden osaotannasta, joka kattoi 2 225 kameratoteutusta 41 tutkimusalueella eri puolilla maailmaa. He havaitsivat, että lajirikkauden tarkkoihin arvioihin tarvittiin 25–35 kamerapaikkaa tutkimuksen mittakaavasta riippuen — noin 35 suuren mittakaavan ruudukoille (≥1 km:n kameraväli) ja 25 pienen mittakaavan (≤0,2 km) trooppisille paikoille, kun taas vähälajisimmille pienen mittakaavan lauhkean vyöhykkeen alueille riitti jopa vain 17–22. WWF:n opas on suorasukaisempi: lajirikkaudelle ”vaikuttaa epätodennäköiseltä, että kunnollinen otos saataisiin alle 20 paikalla, ja 50 paikkaa saattaisi olla parempi tavoite”, ja jos osität, tarvitset 20–50 paikkaa ositetta kohti. WildCAM:in synteesi toistaa tämän — alle 20 kameraa on ”toteuttamiskelvoton lajirikkaustutkimuksiin, ja 50 paikkaa on parempi tavoite”.

Esiintyvyys (occupancy). Tässä asemien määrästä tulee raa'an herkkä sille, kuinka yleinen lajisi on. Kays kumppaneineen havaitsi occupancy-tarkkuuden olevan ”erittäin herkkä esiintyvyystasolle: yleisten (ψ>0,75) lajien tarkkoihin arvioihin tarvittiin <20 kamerapaikkaa, mutta harvinaisille (ψ<0,25) lajeille tarvittaneen yli 150 kamerapaikkaa”. Lähes puolella yhdestä heidän siteeraamastaan globaalista petoeläinanalyysistä esiintyvyys oli alle 0,25 — juuri niitä lajeja, joita eniten haluat seurata, ja juuri niitä, jotka vaativat 100+ paikkaa. WWF:n oppaan yleissuositus: vähintään 40 näytteistyspaikkaa occupancylle, nousten 100+:aan, jos lisäät kovariaatteja tai jahtaat harvinaista lajia. WildCAM operationalisoi sen näin: 30 paikkaa hyvin havaittaville lajeille (p ≥ 0,8), 30–60 monille lajeille ja ”vähintään 100 paikkaa” harvinaisille, matalatiheyksisille lajeille, joiden havaitsemistodennäköisyys on alle 0,1.

Yhden vai useamman kameran kysymys. Yksi löydös, joka luotettavasti yllättää ihmiset: useamman kameran asettaminen kullekin paikalle voi merkitä yhtä paljon kuin paikkojen lisääminen. O'Connor kollegoineen käytti yhden, kahden ja neljän kameran asetelmia 20 metsäpaikalla ja havaitsi, että neljän kameran menetelmä havaitsi 1,25 (53 %) enemmän lajeja paikkaa kohti kuin yksi kamera, oli ainoa kokoonpano, joka havaitsi maassa elävän yhteisön täysin, ja suunnilleen kaksinkertaisti niiden paikkojen määrän, joilla valkohäntäpeura tallentui. Peuran havaitsemistodennäköisyys yhdellä kameralla oli vain 0,179. Heidän suosituksensa — ”vähintään 2 riistakameraa kamerapaikkaa kohti, suunnattuina vastakkaisiin suuntiin” — on halpa suojautuminen niitä vääriä negatiivisia vastaan, jotka pilaavat occupancy- ja lajirikkausdatan.

SECR-tiheys. Vertailukatsaus löysi julkaistusta SECR-työstä mediaanin 57,5 kamera-asemaa tutkimusta ja vuotta kohti (keskiarvo ~100, vaihteluväli 12–849). Jaguaareille erityisesti Tobler ja Powell päättelivät, että luotettava tutkimus vaatii vähintään 40–50 asemaa, ”ja suurempi asemamäärä olisi toivottava” — kynnys, jota WildCAM toistaa ”ehdottomana vähimmäismääränä”. SECR:n pelastava armo on vankkuus: se on ”paljon vankempi pientä kamera-asemamäärää kohtaan kuin muut tiheydenarviointimenetelmät”.

REM-tiheys. Simulaatiotyö esittää, että ”n. 60 kamerapaikkaa tulisi näytteistää hyväksyttävän tarkkuuden saavuttamiseksi (ts. variaatiokerroin alle 0,20)”.

Tehdäkseni kompromissit konkreettisiksi, tässä on, kuinka muutamat kirjallisuuden protokollatason asetelmat todella jakavat kamerat:

Huomaa, että ForestGEO käyttää kameroita tarkoituksella satakertaisella tiheydellä TEAM:iin verrattuna — yksi kamera 2 hehtaaria kohti vastaan yksi 2 km² kohti — koska ne vastaavat eri kysymyksiin eri alueilla (1 km² intensiivistä metsänäytteistystä vastaan 120 km² yhteisöseurantaa). Kumpikaan ei ole ”oikein”. Ne on sovitettu tavoitteisiinsa.

Koordinoidut ja kansalaistiedetutkimukset elävät tämän kirjon äärilaidalla: SNAPSHOT USA 2021, monen osallistujan kansallinen tutkimus, kokosi yhteen 109 riistakamera-asetelmaa ja 1 711 kamerapaikkaa 71 519 pyyntiyön ajan, ja panos asetelmaa kohti vaihteli 126:sta 3 355 yöhön. Opetus kaikille tällaiseen verkostoon liittyville on, että osallistujien välinen johdonmukaisuus — vakioitu korkeus, kameraväli ja kesto — on se, mikä ylipäätään mahdollistaa kaikkien noiden yksittäin vaatimattomien asetelmien analysoinnin yhdessä.

ForestGEO käyttää kameroita tarkoituksella satakertaisella tiheydellä TEAM:iin verrattuna, koska ne vastaavat eri kysymyksiin eri alueilla. Kumpikaan ei ole ”oikein”. Ne on sovitettu tavoitteisiinsa.

Miksi ruudukon laajuus voi merkitä enemmän kuin sen tiheys

Lumileoparditutkimus on varoittava esimerkki, joka jokaisen tiheystutkijan tulisi pitää seinällään. Sama tiimi tutki samaa maisemaa kahdella tavalla: tiivis asetelma (38 kameraa, ~1 km:n kameraväli, 253 km²:n laajuus, 15 kameraa/100 km²) ja hajautettu (44 kameraa, ~5 km:n kameraväli, 2 030 km²:n laajuus — lähes kymmenkertainen — vain 2 kameralla/100 km²).

Arviot eivät vain poikenneet toisistaan — tiivis asetelma tuotti tiheydeksi 0,12 eläintä/100 km² hajautetun asetelman 0,534:ää vastaan, karkeasti viisi kertaa korkeamman hajautetussa asettelussa. Pahempaa, tiivis asetelma antoi pahasti vääristyneen kuvan siitä, kuinka kissat todella käyttivät tilaa, paisuttaen liikeparametrin σ̂ arvoon 12,23 vastaan 3,27 hajautetussa asetelmassa. Opetus, jonka tekijät vetävät, on sama, jonka Tobler ja Powell vetivät jaguaareille ja jonka vertailukatsaus veti yli lajien: ”noin yhden elinpiirin kokoisen pienen alueen näytteistäminen on altis harhoille, jotka johtuvat siitä, että maisemassa on hyvin vähän yksilöitä ja hyvin matalat kohtaamistodennäköisyydet”. Tiheystyössä tiivis ja pieni ruudukko voi olla paljon huonompi kuin harva ja suuri. Kata riittävästi alaa paljastaaksesi riittävästi yksilöitä — se, ei kameroiden pakkaaminen yhteen, ostaa sinulle puolustettavan arvion.

Tiheystyössä tiivis ja pieni ruudukko voi olla paljon huonompi kuin harva ja suuri.

Kesto: kuinka kauan kutakin kameraa pidetään ja kuinka kauan tutkimusta ajetaan

Kaksi eri kelloa käy, ja ihmiset sekoittavat ne. Toinen on se, kuinka kauan yhden kameran tulisi istua yhdessä paikassa. Toinen on tutkimuksen kokonaispituus / kokonaispyyntiyöt. Molemmilla on hyvät empiiriset ankkurit.

Kamerakohtainen kesto. Kaysin ja kumppaneiden osaotanta antaa selkeimmän ohjeen, mitä kellään on: kameran käyttäminen 2 viikkoa oli tehokkainta uusien lajien havaitsemiseen, mutta paikallisen havaitsemistaajuuden tarkkoihin arvioihin tarvittiin 3–4 viikkoa, ”eikä tarkkuudessa havaittu paranemista 1 kuukauden jälkeen”. Heidän pääsuosituksensa — ”käytä kutakin kameraa 3–5 viikkoa 40–60 paikassa asetelmaa kohti” — on nyt käytännön oletusarvo yhteisötutkimuksille. Si kollegoineen lisää intensiivisessä kaksivuotisessa tutkimuksessaan yhdellä kiinalaisella koealalla täydentävän säännön: uusia lajeja kertyy nopeasti ensimmäisten ~40 päivän ajan paikalla, minkä jälkeen tahti romahtaa, joten he ehdottavat kameroiden kierrättämistä ”noin 40 päivän välein” tai noin 20 riippumattoman valokuvan jälkeen.

Paikat vastaan jaksot — toistuva tuomio. Kun kameroita on rajallisesti (aina on), pitäisikö näytteistää useampia paikkoja lyhyemmän aikaa vai harvempia paikkoja pidempään? Lajirikkaudelle ja suhteelliselle runsaudelle vastaus on johdonmukainen tutkimuksesta toiseen: levitä. Si kumppaneineen havaitsi, että samalla kokonaiskamerapäivien määrällä ”oli parempi sijoittaa kamerat useampiin paikkoihin lyhyemmäksi ajaksi kullakin paikalla kuin jättää kamerat samaan paikkaan” — 1 000 kamerapäivällä kolme paikkaa havaitsi 80 % lajeista, kun taas 19 paikkaa havaitsi 90 %. Kays kumppaneineen päätyy samaan johtopäätökseen, ja WWF:n opas esittää sen linjauksena: ”näytteistä useampia paikkoja lyhyemmän aikaa sen sijaan, että näytteistäisit vain muutamaa paikkaa hyvin pitkään”. (Occupancy on osittainen poikkeus — harvinaiselle, laikuittaiselle lajille on yhä parempi siirtää kameroita ja näytteistää useampia paikkoja, mutta yleiselle tai hyvin heikosti havaittavalle lajille harvempien paikkojen näytteistäminen pidempään voi itse asiassa olla tehokkaampaa.)

Kokonaispyyntiyöt. Kerro tavoitteet keskenään, ja saat alarajan. WWF:n oppaan laskutoimitus — 20–50 paikkaa × 30 pyyntiyötä kukin — antaa lajirikkaus-/monimuotoisuustutkimukselle 600–1 500 pyyntiyötä, ja yleissuosituksena on, että ”monimuotoisuustutkimusten tulisi olla vähintään 1 000 pyyntiyötä”. Si kumppaneineen asetti harvennuskäyrällään vähimmäismääräksi 931 kamerapäivää 90 %:n yleisistä lajeista havaitsemiseksi paikallaan, kun taas kaikkien 10 vakituisen lajin havaitsemiseen tarvittiin noin 8 700 kamerapäivää — jyrkkä kuvaus siitä, kuinka harvinaisten lajien pitkä häntä räjäyttää panoksen. Burtonin katsaus löysi todellisen maailman panoksen mediaaniksi 2 055 pyyntipäivää, mutta nosti esiin, että lähes kolmanneksella (28,9 %) tutkimuksista oli alle 1 000 pyyntipäivää yhteensä, ”mikä on todennäköisesti riittämätön harvinaisten lajien havaitsemiseen”.

Tiheystyössä rima nousee. Suhteelliselle runsaudelle ja REM:lle indeksin tulisi levätä useamman kuin 10, ihanteellisesti useamman kuin 20 pyynnin varassa — ja ”monille petoeläimille (ja harvinaisimmille sorkkaeläimille) tyypillisillä tiheyksillä 20 pyynnin saamiseksi tarvitaan vähintään 2 000 pyyntiyötä”. SECR:n vertailukatsaus löysi mediaaniksi 3 124 kamerapäivää vuodessa, ja 71,6 % tutkimuksista kesti vuoden tai vähemmän. Jaguaaritutkimukset kävelevät sulkeutumisoletuksen vuoksi nuorallatanssia: tarpeeksi lyhyt, jotta voidaan olettaa kannan pysyneen muuttumattomana, tarpeeksi pitkä datan keräämiseen, ja Tobler ja Powell suosittelevat vähintään 60 päivää, usein 90 tai jopa 120 — hyläten eksplisiittisesti yleisen 30 päivän ikkunan liian epätarkkana.

Yksi selvittävä vertailuluku siitä, kannattaako kaikki tämä panostus todella: SECR-tutkimuksissa variaatiokertoimen mediaani oli 30 %, ja ”75,6 % tutkimuksista raportoi variaatiokertoimen ≤40 %, mutta vain 21 % tutkimuksista raportoi variaatiokertoimen ≤20 %”. Useimmat tiheystutkimukset eivät ole niin tarkkoja kuin niiden tekijät toivoisivat. Ja vain 10,5 % niistä ajoi minkäänlaista simulaatiota ennen kenttätyötä ottaakseen siitä selvää.

Useimmat tiheystutkimukset eivät ole niin tarkkoja kuin niiden tekijät toivoisivat. Ja vain 10,5 % niistä ajoi minkäänlaista simulaatiota ennen kenttätyötä ottaakseen siitä selvää.

Havaitsemistodennäköisyys on kaiken taustalla piileskelevä muuttuja

Jos on yksi parametri, joka hiljaa hallitsee kameraväliä, tiheyttä ja kestoa, se on havaitsemistodennäköisyys — todennäköisyys, että valokuvaat lajin sillä ehdolla, että se on paikalla. Anna sen laskea liian matalaksi, eivätkä mallisi vain menetä tarkkuutta, ne hajoavat.

Muistettava kynnys: havaitsemistodennäköisyydet alle 0,2 ”johtavat usein merkittäviin harhoihin ja suppenemisongelmiin jopa yksinkertaisimmissa yksitilaisissa malleissa”. Ja menetelmät, joihin saatat turvautua rikkaamman ekologian tavoittamiseksi, pahentavat ongelmaa — monitilaiset esiintyvyysmallit (multistate occupancy) ”vaativat korkeampia havaitsemistodennäköisyyksiä yksitilaisiin malleihin verrattuna”, ja ”tarvittavien paikkojen määrä oli huomattavasti suurempi monitilaisille malleille”. Tapa, jolla havaitseminen ja panos vaihtuvat keskenään, on lainomainen: ”tarvittavat vähimmäishavaitsemistodennäköisyydet laskivat, kun tutkimuskertojen määrä kasvoi kaikissa malleissa”. Toisin sanoen voit ostaa itsesi ulos matalasta havaitsemisesta useammilla havaintokerroilla — tiettyyn rajaan asti.

Tämä on myös syy siihen, miksi seitsemän päivän jakso on niin yleinen: Kays kumppaneineen määritteli havaitsemistodennäköisyyden ”todennäköisyydeksi havaita esiintyvä laji seitsemän päivän jakson aikana kamerapaikalla”, kooten päivittäisen datan viikoittaisiksi ikkunoiksi niin, että jopa harvoin havaitut lajit tuottavat käyttökelpoisia havaintohistorioita. Havaintojen yhdistäminen monen päivän jaksoiksi on legitiimi, kustannukseton vipu havaitsemistodennäköisyyden nostamiseen ja mallin sovituksen parantamiseen. Samoin on useamman kameran käyttäminen paikkaa kohti. Molemmat nostavat havaitsemista ilman niitä oletusten rikkomuksia, joita syötti ja polkujen kohdentaminen tuovat mukanaan — mikä johdattaa meidät tutkimussuunnittelun aidosti kiistanalaiseen osaan.

Sijoittelustrategia ja kohdelaji: todellinen tienhaara

Mihin kameran suuntaat — riistapolulle vai satunnaiseen pisteeseen — on päätös, joka jakaa alan, koska se vaihtaa harhaa datamäärään, ja eri lajit istuvat tuon vaihtokaupan eri puolilla.

Näyttö siitä, että sijoittelu vääristää dataasi, on ylivoimaista ja johdonmukaista. Virginiassa Kolowski ja Forrester käyttivät pariutettuja kameroita ja havaitsivat, että havaitsemistodennäköisyys nousi 11–33 % viidelle lajille riistapoluilla satunnaisiin sijainteihin verrattuna, ja 24,9–38,2 % jyrsijöille maapuiden kohdalla; äärimmäisimmässä tapauksessa ”hiiri”-luokka kirjasi 65 pyyntitapahtumaa maapuilla vain yhtä ainoaa pyyntiä vastaan satunnaisissa sijainneissa. Pyyntitaajuudet olivat 1,7–9,67 kertaa korkeammat maastonpiirteisiin perustuvilla kameroilla. Italiassa Greco kollegoineen sijoitti 60 kameraa strategiaa kohti ja tallensi keskimäärin kahdeksan lajia polkuverkostossa vastaan neljä polkujen ulkopuolella, kun susi ja villikissa tuottivat vain viisi tapahtumaa kumpikin polkujen ulkopuolella 242:ta ja 80:tä poluilla vastaan — ja kaiken kaikkiaan 6 kertaa enemmän dataa poluilla. Kahdeksan 11 testatusta lajista osoitti korkeampaa havaitsemista ja esiintyvyyttä poluilla.

Polut siis voittavat, eikö? Eivät yhteisötyössä, ja tässä on harha, jonka ne salakuljettavat mukanaan: koostumus muuttuu. Italialaisessa tutkimuksessa villisorkkaeläimet muodostivat 49 % suhteellisesta runsaudesta polkujen ulkopuolella mutta vain 28 % poluilla, kun taas petoeläimet kääntyivät 32 %:sta polkujen ulkopuolella 56 %:iin poluilla. Poluilla et vain saa enemmän dataa — saat eri muotoisen yhteisön, painottuneena niihin lajeihin, jotka pitävät poluista. Cusackin ja kumppaneiden pariutettu savannikoe Tansaniassa naulaa, mihin: petoeläimet jäivät merkitsevästi todennäköisemmin kiinni polkusijoituksissa kuivalla kaudella ja suurikokoiset lajit sadekaudella. Heidän rauhoittava löydöksensä lajirikkaustutkimuksille: ”riittävällä näytteistyspanoksella (>1 400 pyyntiyötä) sijoittelustrategia ei todennäköisesti vaikuta yhteisötasolla tehtyihin päätelmiin” — mutta tuon panoksen alapuolella, ja tietyille ravintotasoryhmille, se vaikuttaa hyvinkin.

Tässä kaksi arvovaltaista lähdettä osoittavat vastakkaisiin suuntiin, ja sinun on ymmärrettävä miksi ennen kuin valitset. Yhteisö-, occupancy- ja REM-työhön ohje on painokas siitä, että satunnaistaminen on välttämätöntä — ei-satunnainen sijoittelu ”rikkoo otantateorian keskeistä periaatetta: näytteistysyksiköiden satunnaista valintaa”, uhkaa ohittaa kokonaisia elinympäristöjä ja lajeja ja vääristää suhteellista runsautta polkujen käyttäjiin päin. Mutta merkityn, vaikeasti havaittavan lajin SECR-tiheydelle Tobler ja Powell suosittelevat päinvastaista — sijoita kamerat ”vakiintuneille poluille ja metsäautoteille, joita jaguaarit käyttävät usein”, koska ”kameroilla, jotka on sijoitettu satunnaisesti maisemaan, on hyvin matala pyyntitodennäköisyys jaguaareille ja niistä seuraa kehnoa dataa”. Sovittelu ei ole kompromissi; se on jälleen kysymys. Jos estimaattorisi tarvitsee harhattoman otoksen yhteisöstä (satunnainen) vastaan riittävästi yhden salaperäisen yksilön uusintapyyntejä tilallisen mallin sovittamiseksi (polku), ”oikea” sijoittelu aidosti eroaa — ja jos yhdistät polku- ja polkujen ulkopuoliset kamerat, kirjaat sijoittelun kovariaatiksi, jotta malli voi ottaa sen huomioon.

Syvin opetus on se, että lajit eivät reagoi mihinkään tästä yhdenmukaisesti. Jopa samankokoiset, läheistä sukua olevat lajit reagoivat eri tavoin samoihin suunnitteluvalintoihin, minkä vuoksi jotkut tekijät esittävät, että seurantaohjelmien tulisi käyttää ”erilaisten tutkimussuunnittelustrategioiden yhdistelmää” yhden vakioidun lähestymistavan sijaan silloin, kun ne välittävät monimuotoisesta yhteisöstä. (Kyseisen artikkelin sivu oli botin estämä, kun sen lähdetiedosto kaapattiin, joten tämä heijastaa tutkimuspaketin merkintää siitä eikä tekstiä, jonka olisin voinut lukea suoraan.) Käytännön siirto, kun sinulla on yksi asetelma ja useita kohdelajeja: suunnittele vaikeinta varten — harvinaisin, heikoimmin havaittava, laajimmalti liikkuva laji asettaa kameravälisi ja panoksesi, ja helpommat lajit tulevat kyydissä mukana.

Poluilla et vain saa enemmän dataa — saat eri muotoisen yhteisön, painottuneena niihin lajeihin, jotka pitävät poluista.

Syötti ja houkuttimet: houkutteleva vipu, jossa on pistos

Houkuttimet nostavat havaitsemista, piste. Kysymys on siitä, mitä ne sinulle maksavat. Albertan laajuisessa 844 aseman kokeessa hajuhoukutin tuotti vahvan positiivisen vaikutuksen petoeläimiin kokonaisuutena (β = 0,75) ja hyvin vahvan vaikutuksen kalastajanäätään (β = 2,23) — mutta ei vaikutusta suteen (β = -0,01, p = 0,973) eikä saaliseläimiin tai sorkkaeläimiin. Siinä on ansa: houkutin auttaa joitakin lajeja, sivuuttaa toiset, ja niin ”voi tuoda tuntematonta harhaa useiden lajien välisiin päätelmiin”, mikä tarkoittaa, että monilajitutkimusten ”on otettava huomioon hajuhoukuttimen vaihteleva vaikutus”.

Protokollatason tuomio heijastaa tätä. WWF:n opas toteaa suoraan, että ”houkuttimien (syöttien ja houkutteiden) käyttöä ei suositella muodollisissa riistakameratutkimuksissa, ellei niiden käyttöön ole hyvin painavia syitä ja niiden vaikutuksia ole mahdollista kontrolloida”. TEAM ei käytä syöttiä lainkaan. Vivahde occupancy-simulaation puolelta: syöttiä ja polkujen kohdentamista todella käytetään laajalti havaitsemisen nostamiseksi tuon vaarallisen 0,2:n alarajan yläpuolelle, ja mallin suorituskyvyn parannus saattaa olla harhan arvoinen — mutta datan yhdistäminen ja useampi kamera paikkaa kohti saavuttavat saman noston ”välttämättä rikkomatta mallin oletuksia”, joten turvaudu ensin niihin. Jos käytät syöttiä, vakioi se armottomasti ja kirjaa se metatiedoksi, jotta se voidaan mallintaa eikä sivuuttaa.

Sudenkuopat, jotka todella pilaavat aineistot

Langat yhteen vetäen, tässä on, missä riistakameratutkimuksen suunnittelu menee useimmiten pieleen — ja jokainen näistä on suunnittelupäätös, ei kenttävahinko:

• Ei todennäköisyyspohjaista asetelmaa. Ne 40,2 % tutkimuksista, jotka sijoittavat kamerat opportunistisesti, eivät voi yleistää tuloksiaan täsmälleen näytteistämiensä kohtien ulkopuolelle. Satunnaista, tai osita ja satunnaista ositteiden sisällä.
• Liian vähän panosta harvinaisille lajeille. Alle 1 000 pyyntiyötä on todennäköisesti riittämätön havaitsemaan niitä harvinaisia lajeja, joilla on eniten merkitystä, ja harvinaiset, matalan esiintyvyyden lajit voivat vaatia 100–150+ paikkaa.
• Ruudukko liian pieni elinpiiriin nähden. Tiheydelle yhtä elinpiiriä pienempi kamerapolygoni kantaa positiivista harhaa jokaisessa testatussa menetelmässä.
• Yhden kameran pitäminen paikkaa kohti riittävänä. Yksittäiset kamerat menettävät havaintoja, jotka kahdeksi vastakkaiseksi kameraksi tuplaaminen nappaisi, vääristäen occupancya ja lajirikkautta.
• Vuodenaikaisuuden sivuuttaminen. Kays kumppaneineen havaitsi, että 37–50 % lajeista vaihteli merkitsevästi esiintyvyydessä tai havaitsemisessa vuoden aikana, ja lauhkean vyöhykkeen lajien suhteellinen runsaus vaihteli keskimäärin kertoimella 4–5 kausien välillä. Yhden kauden tilannekuva ei ole koko vuosi. Valitse ikkunasi harkiten äläkä koskaan vertaile kausien välillä ottamatta sitä huomioon.
• ”Paikan” sekoittaminen. Sama sana kattaa kameran havaitsemisvyöhykkeen ja 10 km²:n ruudun, ja occupancy tarkoittaa eri asioita kussakin mittakaavassa. Määrittele se.
• Simuloimatta jättäminen ensin. Vain ~10 % SECR-tutkimuksista ajoi voima-analyysin ennen kenttätyötä — halvin vakuutus epätarkkaa tulosta vastaan, mitä on olemassa.

Mitä ikinä käytätkin, dokumentoi itse suunnittelu jäsenneltynä metatietona — kameran korkeus ja suunta, kameraväli, kesto, syötti, havaitsemisvyöhykkeen piirteet — koska aineistoa, jonka suunnittelua ei ole kirjattu, ei voi analysoida uudelleen eikä yhdistää kenenkään muun aineistoon. Camtrap DP:n kaltaiset standardit ovat olemassa juuri siksi, että tutkimussuunnittelusta tulee osa dataa eikä kadonnutta institutionaalista muistia. Jos haluat syventyä johonkin yksittäiseen päätökseen, WWF:n parhaiden käytäntöjen opas on yhä yksittäinen täydellisin lähdeteos, ja Kaysin ja kumppaneiden artikkeli on empiirinen selkäranka ”kuinka monta, kuinka kauan” -luvuille.

Usein kysytyt kysymykset