Dalle marche temporali ai pattern di attività animale: un flusso di lavoro con fototrappole

Ogni foto scattata dalle fototrappole porta già con sé il numero più prezioso dell'intero insieme di dati, e non è la specie. È l'ora del giorno. Una fototrappola scatta quando un animale è presente, perciò il cumulo di marche temporali raccolto è un campione dei momenti in cui quell'animale era sveglio e in movimento — più scatti quando è attivo, meno o nessuno quando riposa. Si leggano abbastanza di quegli orari e si può ricostruire la forma della giornata di una specie: quando si desta, quando raggiunge il picco, quando si quieta. Questo è un pattern di attività animale, e una fototrappola è uno dei pochi modi economici e non invasivi per ottenerlo.

Ecco l'intera catena in un respiro, per sapere dove si va a parare. Si estrae un date-orario pulito da ogni immagine (quasi sempre dai metadati EXIF, a volte leggendo la marca temporale impressa nella foto stessa); si decide quali record contino come eventi indipendenti; si convertono quegli orari da orologio in una scala circolare e, se lo studio abbraccia più stagioni o si colloca lontano dall'equatore, in tempo solare; si adatta una kernel density circolare agli orari per stimare la curva di attività; e, se si confrontano due specie, si calcola il coefficiente di sovrapposizione (Δ) tra le loro curve. In R il lavoro vive quasi interamente in tre pacchetti — `overlap`, `activity` e `camtrapR` — e il tutto poggia su un prerequisito poco appariscente: circa 100 rilevamenti della specie prima di fidarsi della curva.

Nessuno di questi passaggi è difficile. Diversi sono facili da sbagliare in modo silenzioso e invisibile — un orologio andato alla deriva, un filtro di «indipendenza» che cancella proprio il picco che si sta cercando di misurare, un'alba che si è spostata di tre ore tra giugno e dicembre mentre l'asse x è rimasto fermo. Questo articolo percorre la catena da un capo all'altro e, cosa altrettanto importante, segnala dove un'analisi di attività affidabile diverge da una che è spazzatura. La differenza di solito non sta nella statistica. Sta nell'igiene dei dati a monte di essa.

Prima di tutto, estrarre date-orari puliti da ogni foto

Non si può ricostruire dopo quando un animale è stato fotografato — non esiste una seconda fonte per questo, come invece esiste, per esempio, per le coordinate di una fototrappola. Come afferma senza mezzi termini la guida alle buone pratiche di GBIF, la data e l'ora «sono l'aspetto più importante dei suoi metadati... e non possono essere derivate in seguito». Perciò questo passaggio merita più cura di quanta di solito ne riceva.

La via pulita sono i metadati incorporati. Quando una fototrappola scrive un JPEG, imprime l'orario di scatto nel blocco EXIF, nel campo `DateTimeOriginal`. Gli strumenti leggono quel campo direttamente: la funzione `recordTable()` di `camtrapR` si appoggia a ExifTool per estrarre `DateTimeOriginal` da ciascuna immagine e assemblare una tabella ordinata di record con stazione, specie e orario. Se le immagini portano un buon EXIF, il problema è risolto — si punta la funzione sulle cartelle e si hanno date-orari leggibili dalla macchina al secondo.

Due abitudini a monte rendono tutto questo più sicuro, ed entrambe riguardano la fototrappola, non il software. Primo, si imposti l'orologio su UTC o sull'ora invernale locale e si disabiliti il passaggio automatico all'ora estiva. L'ora legale è un sabotatore silenzioso dei dati di attività: se si imposta l'orologio di una fototrappola d'estate ed essa ignora l'ora legale, ogni foto invernale cade un'ora fuori dall'orario reale, e viceversa — un errore sistematico di un'ora spalmato su metà dei record. Il consiglio di `camtrapR` è la versione pragmatica della stessa regola: se l'area di studio usa l'ora legale ma le fototrappole non la registrano, si lasci il fuso orario dell'analisi su UTC, perché UTC non ha alcun salto d'ora estiva in cui inciampare. Secondo, se si nominano o organizzano i file da sé, si inizino i nomi con la data — `YYYYMMDD_HHMMSS` — così che ordinarli alfabeticamente li ordini anche cronologicamente, e si scrivano gli orari in ISO 8601 (`YYYY-MM-DDTHH:MM:SS`) all'esportazione.

Se si scopre a posteriori che l'orologio di una fototrappola era mal impostato — un intero dispiegamento sfalsato di una quantità nota — è recuperabile. `camtrapR` include `timeShiftImages()` per correggere in blocco le marche temporali nei metadati delle immagini, e una funzione dedicata `fixDateTimeOriginal()` per una specifica modalità di guasto: certe fototrappole Reconyx HyperFire che non memorizzano data e ora nel tag standard. Prima si eseguano copie di backup delle immagini. Il punto è che gli errori d'orologio colti presto sono una seccatura; gli errori d'orologio colti mai diventano un pattern di attività di pura fantasia.

Definire le categorie — ma sapendo che sono un primo passaggio grossolano

Prima di qualsiasi adattamento di curva, aiuta avere il vocabolario che il settore usa fin dall'inizio. Nel momento in cui i ricercatori compresero che le marche temporali delle fototrappole potevano descrivere l'attività, la prima cosa che fecero fu smistare le specie in quattro categorie:

• Diurno — attivo per lo più alla luce del giorno.
• Notturno — attivo per lo più di notte.
• Crepuscolare — attivo per lo più al crepuscolo, attorno all'alba e al tramonto.
• Catemerale — attivo sia di giorno sia di notte, senza una forte preferenza.

Non sono soltanto impressioni; si possono definire in modo operativo. In un rilievo biennale di otto mammiferi nel Giappone settentrionale, Ikeda e colleghi hanno classificato ogni foto in giorno, notte o crepuscolo, hanno confrontato la frequenza fotografica tra i tre periodi con un'ANOVA a una via e hanno assegnato ciascuna specie a una categoria: diurna se le foto si concentravano di giorno, notturna se di notte, crepuscolare se al crepuscolo, e catemerale quando non c'era «alcuna differenza» tra i tre periodi. Questo ha dato responsi netti — scoiattoli rossi euroasiatici diurni, cani procione e procioni notturni, cervi sika e lepri variabili crepuscolari, martore giapponesi e orsi bruni catemerali.

Due cautele accompagnano le categorie. La prima è che sono genuinamente grossolane, e le scoperte più interessanti vivono nelle fessure tra di esse. Quegli stessi cervi sika «hanno spostato i picchi dal crepuscolo in primavera-autunno al giorno in inverno, forse per vincoli termici», e le martore erano catemerali per gran parte dell'anno ma notturne in autunno. Un'unica etichetta di categoria avrebbe cancellato entrambe le cose. La seconda cautela è la scala. A livello globale la suddivisione in quattro è squilibrata: in un insieme di dati di migliaia di specie di mammiferi, Bennie e colleghi hanno rilevato che «la maggioranza delle specie di mammiferi è notturna (69%...; 20% diurne, 8,5% catemerali e 2,5% crepuscolari)», e che la strategia è profondamente conservata lungo l'albero dei mammiferi (λ di Pagel = 0,947). Perciò l'aspettativa di partenza per un mammifero non studiato dovrebbe essere «probabilmente notturno», e una classificazione diurna sicura merita una seconda occhiata — specie viste le trappole di posizionamento a cui si arriverà più avanti. Le categorie sono un titolo utile. La curva di attività è la storia.

Le categorie sono un titolo utile. La curva di attività è la storia.

Indipendenza temporale: la scelta più gravida di conseguenze — e più discussa — che si farà

È qui che le buone intenzioni mandano in rovina le analisi di attività. Le fototrappole non scattano una foto per visita. Un singolo animale che indugia davanti all'obiettivo, o una fototrappola impostata per scattare raffiche di tre o dieci fotogrammi a scatto, può produrre decine di marche temporali da un unico momento di attività. Lasciati dentro, quegli orari quasi duplicati si accumulano e distorcono la curva verso «gli orari in cui la specie si è trovata a esibirsi davanti alle fototrappole», nella memorabile formulazione di `camtrapR` a proposito di un argo maggiore che adorava i riflettori.

La correzione standard è un filtro tempo-di-indipendenza (in `camtrapR`, l'argomento `minDeltaTime`): si accorpano in un unico evento tutti i record della stessa specie alla stessa stazione che cadono entro una certa finestra — 30 e 60 minuti sono le scelte comuni. È facile da applicare. `recordTable()` di `camtrapR` ha come impostazione predefinita `minDeltaTime = 0` (tenere tutto) e consente di impostare, poniamo, 60 per assottigliare i dati; nell'esecuzione d'esempio del pacchetto, 68 immagini diventano 56 record dopo la rimozione degli orari duplicati, poi 40 una volta applicato un filtro di un'ora. Fondamentale: `minDeltaTime` «influisce su tutti i risultati dei grafici di attività, perché determina l'indipendenza temporale tra i record» — si cambia la finestra e si cambia la curva.

Ed è esattamente questo il problema, perché la convenzione è contestata alla radice. Peral e colleghi hanno passato in rassegna 134 studi di attività con fototrappole ad accesso aperto e hanno trovato che «quasi il 70% (90 su 134...) applica un filtro tempo-di-indipendenza», tipicamente 30 minuti, a volte 60 o persino 24 ore. La loro obiezione è concettuale: questi filtri furono presi in prestito dalla stima di abbondanza, dove più foto di un individuo gonfiano i conteggi, ma l'attività non è una serie di eventi discreti — è uno stato continuo. Come lo inquadrano, il filtro fa sì che l'osservatore «decida di fatto che l'animale è inattivo in quel periodo, scartando informazione significativa sull'attività animale». Peggio, il danno è disomogeneo. Usando un insieme di dati del Serengeti di 164.509 immagini, hanno mostrato che erbivori sociali e abbondanti «hanno perso il 74–93% dei dati di attività quando il tempo-di-indipendenza passava da 1 a 60 minuti», mentre i carnivori rari ne perdevano solo il 21–23%. Il filtraggio non ha soltanto ridotto i campioni; ha deformato le curve — il picco di mezzogiorno della gazzella è calato fino al 44% — e poiché ha colpito erbivori e carnivori in modo asimmetrico, ha distorto proprio i confronti di sovrapposizione predatore-preda che le persone conducono. La loro conclusione è inequivocabile: l'uso di filtri tempo-di-indipendenza nella stima dell'attività «non è valido e non dovrebbe essere usato».

Allora cosa fare davvero? Non si legga Peral come «tenere ogni fotogramma grezzo». Lo si legga con precisione. I fotogrammi a raffica — i dieci scatti che una fototrappola spara a un unico scatto — non sono affatto un campione del comportamento; sono un'impostazione definita dall'utente, e Peral dice esplicitamente che vanno esclusi dalle analisi di attività. La disputa è più circoscritta di quanto sembri a prima vista: quasi tutti concordano sul fatto che si debba rimuovere l'accumulo artificiale dovuto alle raffiche e a un singolo animale che gironzola. Il disaccordo vivo è se poi imporre a ciò una finestra temporale fissa (30 o 60 minuti). La posizione più recente e difendibile è rimuovere solo la non indipendenza ovvia e per il resto tenere i record, oppure — se si filtra — riferire cosa fa il filtraggio alle stime, anziché scegliere 30 minuti perché lo facevano tutti gli altri. Qualunque scelta si faccia, la si dichiari. Un risultato di attività è ininterpretabile senza la sua regola di indipendenza, e il fatto che gli studi pubblicati abbiano usato finestre «variabili e arbitrarie» significa che le loro curve spesso non sono confrontabili in modo sensato tra loro. Si sia lo studio che è esplicito.

Un risultato di attività è ininterpretabile senza la sua regola di indipendenza. Si sia lo studio che è esplicito.

Adattare la curva: kernel density circolare e kernel di von Mises

Ora la statistica, che è la parte facile. L'ora del giorno è circolare — le 23:59 sono adiacenti alle 00:00, non a undici ore di distanza da esse — perciò non le si può adattare una curva di densità ordinaria. Se ne adatta una circolare. L'approccio standard, introdotto per i dati da fototrappola da Ridout e Linkie e ormai lo standard del settore, adatta una kernel density agli orari osservati usando un kernel di von Mises (l'analogo circolare della gaussiana) anziché il consueto kernel su retta. Il risultato è una densità di probabilità liscia lungo il ciclo di 24 ore: alta dove l'animale è attivo, bassa dove non lo è.

Alcuni meccanismi contano. Tutti questi strumenti lavorano in radianti, non in ore o frazioni di giorno, perciò la prima riga di quasi ogni script converte: `timeRad <- time 2 pi`. La lisciatura è controllata da una larghezza di banda, esposta nel pacchetto `overlap` come argomento `adjust` — la si alzi sopra il valore predefinito di 1 per una curva più piatta, la si abbassi per una più appuntita — e la scelta influisce sulle stime di sovrapposizione a valle, quindi non è puramente estetica. Nel pacchetto `activity`, lo stesso compito è svolto da `fitact()`, che adatta il kernel circolare e, poiché si accumulano più record quando l'animale è più attivo, ricava un livello di attività complessivo — la frazione della giornata che la popolazione trascorre attiva — dall'area sotto la distribuzione.

Due pacchetti R dominano, e sono complementari. Si usi `overlap` (funzioni `densityPlot()`, `overlapPlot()`, `overlapEst()`) quando la domanda riguarda il confronto tra le curve di due specie. Si usi `activity` (`fitact()`, `solartime()`, `compareCkern()`) quando si vuole una stima quantificata del livello di attività con intervalli di confidenza da bootstrap, o strumenti più ricchi per confrontare statisticamente le distribuzioni. E `camtrapR` li lega alle immagini: il suo `activityDensity()` chiama `overlap::densityPlot()`, `activityOverlap()` chiama `overlap::overlapPlot()` e `overlapEst()`, e `activityRadial()` e `activityHistogram()` forniscono le viste a quadrante d'orologio e a barre orarie, tutte lette direttamente dalla tabella dei record. Per visualizzare i risultati, il grafico radiale e la curva di densità sovrapposta sono i due cavalli da tiro; il grafico di densità è quello da pubblicare, perché mostra la forma effettivamente stimata anziché aggregare a ore intere.

L'ora del giorno è circolare — le 23:59 sono adiacenti alle 00:00, non a undici ore di distanza da esse — perciò non le si può adattare una curva di densità ordinaria.

Confrontare specie: il coefficiente di sovrapposizione (Δ)

La ragione singola più comune per fare questa analisi è chiedersi se due specie condividano la giornata — predatore e preda, oppure due concorrenti. Il riassunto standard è il coefficiente di sovrapposizione, Δ, l'area che giace sotto entrambe le curve di densità: va da 0 (nessuna sovrapposizione) a 1 (pattern di attività identici). Lo si pensi come la frazione di attività che le due specie hanno in comune.

Quale stimatore usare dipende dalla dimensione del campione più piccolo, e questo manda in confusione le persone. Il pacchetto `overlap` ne offre tre — Dhat1, Dhat4 e Dhat5 — e la guida è concreta: si usi Dhat1 per campioni piccoli e Dhat4 per quelli più grandi. Dove esattamente cada la soglia è enunciato in modo leggermente diverso in luoghi diversi dagli stessi autori, cosa che vale la pena sapere: la documentazione del pacchetto dice «Dhat4 è la scelta migliore quando il campione più piccolo ha almeno 50 osservazioni», mentre la vignette del pacchetto colloca il passaggio più in alto, raccomandando Dhat1 quando il campione minore è sotto 50 e Dhat4 quando è «maggiore di 75», con una zona grigia in mezzo. La lettura pratica: comodamente sopra ~75 nel campione minore, Dhat4; chiaramente piccolo, Dhat1; nel mezzo, si preferisca Dhat1 e non si sovra-interpreti. Una regola è ferma in ogni fonte — non si usi Dhat5, perché «anche piccolissime variazioni nei dati possono produrre cambiamenti ampi e discontinui in Dhat5, che può assumere valori > 1». (Avvertenza per gli utenti di `camtrapR`: `activityOverlap()` restituisce Dhat1 come impostazione predefinita, perciò se i campioni sono grandi si passi `overlapEstimator = "Dhat4"` invece di accettare il valore predefinito.)

Gli intervalli di confidenza provengono da un bootstrap, e se ne preferisce uno lisciato — si adatta una densità, poi si estraggono osservazioni simulate da essa — perché il ricampionamento semplice non può mai produrre un orario al di fuori dell'intervallo osservato, cosa errata per un pattern di attività continuo. Si usino abbastanza ricampionamenti: gli esempi mostrano spesso 1.000, ma la vignette è esplicita nel dire che «per un'analisi reale sarebbero preferibili 10.000 campioni bootstrap», e il pacchetto avverte che «per stime stabili servono almeno 999 stime bootstrap, preferibilmente 10.000».

I numeri lavorati rendono la cosa concreta. Nell'esempio canonico di Kerinci, tigri e macachi in una zona — entrambi con più di 75 osservazioni — hanno dato una sovrapposizione Dhat4 di 0,42, una sovrapposizione moderata e parziale. In uno studio predatore-preda nell'Irlanda del Nord, volpi e lepri si sovrapponevano al 73% (IC 68–77%) su base annua, volpi e conigli all'80%, volpi e topi selvatici all'81% — la giornata del predatore che segue quella della preda — mentre martore e scoiattoli diurni mostravano l'opposto, un'asincronia coerente con l'evitamento temporale. Tra grandi carnivori simpatrici sull'altopiano Qinghai-Tibet, leopardi delle nevi e linci si sovrapponevano Δ = 0,88 (IC 0,80–0,95), leopardi delle nevi e lupi 0,86, lupi e linci 0,83 — tutti alti, tutti prevalentemente notturni, con la sovrapposizione che cala verso il moderato nella stagione calda. Una convenzione comune per parlare di questi numeri: sotto 0,5 sovrapposizione bassa, 0,5–0,8 moderata, sopra 0,8 alta. È una scorciatoia utile, non una legge.

Quanti dati bastano? All'incirca 100 rilevamenti

Si può eseguire ognuna delle funzioni di cui sopra su una dozzina di foto. Non lo si dovrebbe fare. La questione della dimensione del campione ha una risposta empirica netta da Lashley e colleghi, che hanno confrontato curve di attività derivate da fototrappola con la «verità» dei radiocollari e sottocampionato i dati per osservare il degrado dell'accuratezza. La loro scoperta: «la sovrapposizione media è cresciuta e l'errore di sovrapposizione è diminuito rapidamente all'aumentare della dimensione del campione fino a un asintoto attorno ai 100 rilevamenti», oltre il quale più dati compravano poco miglioramento. La loro raccomandazione è il numero da ricordare — si raccolgano almeno 100 rilevamenti di una specie bersaglio prima di stimarne la curva di attività.

Due caveat onesti attorno a quel 100. Primo, lo sforzo per ottenere 100 rilevamenti «può variare ampiamente a seconda dell'ecologia, della mobilità e della rilevabilità della specie» — banale per un cervo comune, il lavoro di una stagione per un felino raro. L'esca può aiutare: in quello studio, le fototrappole con esca («attive») hanno prodotto un tasso di rilevamento dei cervidi 700 volte superiore a quelle passive poste sui tracciati, cosa che conta quando si corre a raggiungere un campione entro una finestra biologicamente significativa. Secondo, anche a buone dimensioni del campione, le curve da fototrappola combaciavano bene con i radiocollari nella forma ma differivano nella grandezza dei picchi — la sovrapposizione con la verità dei radiocollari era Δ = 0,74–0,84, con differenze statisticamente significative concentrate nei momenti di picco dell'alimentazione. Le fototrappole sono eccellenti per quando una specie è attiva; si sia più cauti nel leggere l'esatta altezza di un picco.

Per il bootstrap in sé, la soglia minima è più bassa ma pur sempre reale: il pacchetto `overlap` nota che 40 stime bootstrap sono il minimo assoluto per un intervallo di confidenza al 95%, 200 per il 99% — ma, di nuovo, se ne vogliono da centinaia a migliaia per la stabilità, non il minimo.

Tempo da orologio contro tempo solare: la correzione che le analisi frettolose saltano

Questo è il passaggio che separa un'analisi di attività accurata da una sciatta, ed è invisibile se non si sa dove guardare. L'alba e il tramonto si spostano nell'arco dell'anno, e si spostano tanto più quanto più si è lontani dall'equatore. Se si accorpano foto attraverso le stagioni su un asse a tempo da orologio fisso, i due picchi di un animale crepuscolare — che in realtà seguono l'alba e il tramonto — vengono sfumati in ampie gobbe appiattite, perché «l'alba» era alle 05:00 a giugno e alle 07:30 a dicembre. Si accorpi su un intervallo abbastanza ampio e si può persino fabbricare una sovrapposizione che non è reale: l'esempio della vignette di un pipistrello che esce al tramonto e un rapace che si posa al tramonto mostra sovrapposizione nulla in qualunque singolo mese, eppure i dati accorpati mostrano una sovrapposizione apparente puramente perché il tramonto si è spostato.

La correzione è esprimere l'orario di ciascuna foto rispetto al sole anziché all'orologio. Entrambi i pacchetti principali lo fanno. In `overlap`, `sunTime()` «converte un vettore di orari da orologio in "orari solari", mappando l'alba a π/2 e il tramonto a 3π/2», dati la data e la posizione di ciascun record. In `activity`, `solartime()` àncora gli orari da orologio all'alba e al tramonto medi per le coordinate dello studio e restituisce sia una versione a tempo da orologio sia una a tempo solare, così da poterle confrontare. La regola empirica che ne discende: quanto più si è lontani dall'equatore e quanto più dell'anno lo studio abbraccia, tanto più la correzione conta — le assunzioni del metodo di livello di attività sottostante sono esplicitamente «meno probabilmente soddisfatte nei grandi predatori, o negli inverni alle alte latitudini». Vicino all'equatore, o per uno studio confinato a un'unica finestra breve, il tempo da orologio va di solito bene.

In pratica gli studi accurati lo fanno e basta. Uno studio su 61 specie attraverso le foreste montane cinesi «ha convertito l'orario da orologio di ciascun rilevamento in un tempo solare relativo per eliminare gli effetti della variazione di durata del giorno» prima di adattare le curve. Lo studio sui carnivori dell'altopiano ha standardizzato tutti gli orari di scatto in tempo solare con `overlap::sunTime()`, esplicitamente perché l'alba variava dalle 5:30 alle 8:30 nell'arco dell'anno. Lo studio dell'Irlanda del Nord ha riferito ogni rilevamento all'evento solare più vicino — i record del mattino rispetto all'alba, quelli della sera rispetto al tramonto — così che un rilevamento delle 22:10 con un tramonto alle 20:00 diventava «−2 h 10 min», una misura netta di quanto a fondo nella notte l'animale fosse attivo. Se le fototrappole sono state ferme in un solo punto per un solo mese estivo vicino ai tropici, si può saltare questo. Altrimenti, si converta — e si noti che le funzioni di attività di `camtrapR` usano il tempo da orologio, non il tempo solare, perciò se serve la correzione la si deve applicare da sé prima di tracciare i grafici.

Questo è il passaggio che separa un'analisi di attività accurata da una sciatta, ed è invisibile se non si sa dove guardare.

Le insidie che rovinano in silenzio un pattern di attività

La maggior parte delle analisi di attività-spazzatura non è mandata a monte dalla statistica. È mandata a monte a monte. Le modalità di fallimento ricorrenti, all'incirca in ordine di quanto spesso mordono:

• Deriva dell'orologio e ora legale. Trattata sopra, ma è l'errore silenzioso numero uno: un orologio di fototrappola impostato in ora estiva, o un dispiegamento il cui orologio era semplicemente sbagliato, consegna una curva sistematicamente traslata senza alcun avvertimento. Si verifichino gli orologi al dispiegamento; li si imposti su UTC o sull'ora invernale; si disattivi il passaggio all'ora estiva.
• Un filtro di indipendenza che si mangia il picco. Un filtro di 30 o 60 minuti può eliminare il 74–93% dei record di un erbivoro sociale e appiattirne le ore di punta, sfiorando appena un carnivoro raro — distorcendo sia le curve sia ogni confronto tra specie. Si rimuovano le raffiche e il gironzolamento ovvio; si rifletta bene prima di imporre una finestra temporale fissa, e se ne riporti l'effetto se lo si fa.
• Accorpare attraverso il tempo solare senza correggere. Sfuma i picchi e può fabbricare sovrapposizione. Si converta in tempo solare per dati multi-stagione o alle alte latitudini.
• Troppo pochi rilevamenti. Sotto i ~100, accuratezza e precisione calano rapidamente, e una curva dall'aria sicura tratta da 18 foto è per lo più rumore.
• Bias di posizionamento — quello subdolo. Merita un paragrafo a sé.

La trappola del posizionamento vale la pena di essere approfondita, perché inganna le persone accurate. Le fototrappole poste su sentieri e strade — esattamente dove le si mette per catturare carnivori o massimizzare i rilevamenti — registrano animali che usano i sentieri, il che non è la stessa cosa che animali che sono attivi. Tanwar e colleghi hanno condotto l'esperimento pulito in una riserva di tigri indiana, dispiegando fototrappole su sentiero e fototrappole casuali fianco a fianco. Le fototrappole su sentiero mostravano gli ungulati — cervi pomellati, nilgau, cinghiali, gazzelle — con «attività prevalentemente diurna e pochissime catture di notte». Le fototrappole casuali, che campionavano il paesaggio anziché i tracciati, hanno rivelato una sostanziale attività notturna nelle stesse specie; il nilgau è persino passato a un picco notturno, con la sovrapposizione tra stime da sentiero e casuali scesa fino a Δ = 0,41. La ragione è comportamentale: «i sentieri sono ampiamente usati dai predatori durante la notte», perciò gli ungulati li evitano dopo il buio — una mossa antipredatore che li fa apparire diurni a una fototrappola su sentiero. L'avvertimento degli autori è uno che ogni studio di attività dovrebbe recepire: i pattern di attività pubblicati tratti da rilievi su sentiero incentrati sui carnivori «sono probabilmente distorti verso l'attività diurna». La vignette di `overlap` fa lo stesso punto dall'altro lato — una fototrappola su un sentiero misura il «camminare sui sentieri», perciò la sovrapposizione di due specie è la sovrapposizione nel loro camminare sui sentieri, e «un erbivoro che bruca e il carnivoro che lo insegue sono probabilmente entrambi "inattivi" secondo questa definizione». La correzione è di progettazione: fototrappole casuali o fuori sentiero danno un quadro di attività più onesto, e come minimo si dovrebbe dichiarare che il posizionamento su sentiero inclina verso il giorno.

Un'ultima cautela, più sottile: si presti attenzione ad accorpare dati eterogenei di qualunque tipo, non solo attraverso le stagioni. Combinare siti o periodi con attività genuinamente diverse gonfia le stime di sovrapposizione, «e questa sovrapposizione apparente è un artefatto dell'accorpamento». E si ricordi che ciò che si sta effettivamente misurando sono i rilevamenti sulle fototrappole, che interpretano «attivo» come «in movimento davanti a un sensore» — una finestra reale ma parziale sul comportamento. Si interpretino le interazioni tra specie con cura; il racconto ammonitore della vignette è uno studio in cui dholi e cinghiali sembravano condividere la giornata, suggerendo che i dholi mangiassero cinghiali, finché l'analisi degli escrementi non ha mostrato che i dholi mangiavano per lo più cervidi.

La maggior parte delle analisi di attività-spazzatura non è mandata a monte dalla statistica. È mandata a monte a monte.

Dove sta andando: i modelli gerarchici

La stima con kernel density è lo standard del settore, e per la maggior parte delle domande è lo strumento giusto. Ma vale la pena conoscerne il soffitto, perché la letteratura metodologica lo sta attivamente superando. Iannarilli e colleghi espongono chiaramente i limiti della KDE: accorpa i dati tra i siti e quindi ignora la variabilità da sito a sito, producendo un'incertezza troppo fiduciosa; è sensibile alla scelta della larghezza di banda nei campioni piccoli; non può includere covariate né testare formalmente ipotesi; e «considera solo i record in cui un animale è stato rilevato, scartando l'informazione su quando il campionamento è stato condotto ma la specie non è stata registrata». Quest'ultimo punto è sottile ma reale — una KDE getta via ogni ora-fototrappola in cui non è successo nulla, anche se quegli zeri portano informazione su quando la specie non era attiva.

L'alternativa proposta sono i modelli gerarchici — modelli lineari misti generalizzati trigonometrici (termini seno e coseno con effetti casuali di sito, tramite `glmmTMB` o `lme4`) o GAM a spline cubica ciclica (tramite `mgcv`) — che suddividono i dati in intervalli temporali, usano i mancati rilevamenti, tengono conto della variabilità da sito a sito e consentono di testare come una stagione o la presenza di un concorrente sposti la curva. In uno studio su 100 siti in Minnesota, questo approccio ha quantificato l'attività di orso nero e coyote esponendo al contempo «una considerevole eterogeneità da sito a sito, un aspetto largamente ignorato» dalla KDE accorpata. Questi modelli sono più esigenti — una regola empirica comune è 10 o più siti prima di adattare effetti casuali — e sovradimensionati per una descrizione a singola specie e singolo sito. Per la maggior parte dei lettori, la KDE più una regola di indipendenza chiaramente enunciata e una correzione a tempo solare è la scelta giusta oggi. Ma se la domanda coinvolge covariate, siti multipli o test formali di ipotesi, è qui che guardare per il passo successivo.

Domande frequenti