Modelli di occupancy per fototrappole: quando una fototrappola vuota non significa che l'animale se ne sia andato

Una fototrappola ha funzionato su un crinale per tre settimane senza mai fotografare una lince. Non c'è nessuna lince, o semplicemente ci si è fatta sfuggire?

Quella domanda è tutta la partita, e la maggior parte delle analisi sbaglia dando per scontato che la risposta sia ovvia. Non lo è. Un registro di rilevamento vuoto in una postazione occupata non è un difetto; è l'esito atteso di un fatto semplice — la fototrappola non cattura tutto ciò che le passa davanti, e un animale che percorre un home range assai più vasto del campo visivo dell'obiettivo trascorrerà la maggior parte del tempo da qualche parte dove la fototrappola non sta guardando. Trattate quel vuoto come una vera assenza e avrete impastato un errore in tutto ciò che sta a valle: la mappa di distribuzione, il modello di habitat, la conclusione «la specie è sparita da questo bacino». Il nome preciso ed educato per questo tipo di registro non è «assenza». Le note di Gary White sull'occupancy lo dicono senza giri di parole: si tratta di dati di presenza/apparente assenza, e «il mancato rilevamento di una specie non implica l'assenza».

I modelli di occupancy sono l'impianto costruito per prendere sul serio questo fatto. Invece di contare gli animali, si pone una domanda più suscettibile di risposta — questa postazione è occupata o no? — e si stimano due cose contemporaneamente: ψ (psi), la probabilità che una postazione sia occupata, e p, la probabilità di rilevare la specie in un dato sopralluogo dato che è presente. L'espediente che lo fa funzionare è quasi imbarazzante nella sua semplicità: si visita ciascuna postazione più di una volta. Se si rileva la specie anche una sola volta, si sa che quella postazione è stata occupata per l'intero periodo, il che significa che ogni sopralluogo vuoto in quella postazione è stato un rilevamento mancato, non un'assenza — e il tasso di quei mancati rilevamenti è esattamente l'informazione che serve per stimare p, e quindi correggere ψ per tutte le postazioni in cui non si è visto proprio nulla.

Questo è un pezzo di metodo per chi lo eseguirà davvero: ricercatori, gestori faunistici e venatori, e la parte più impegnata della citizen science. Si costruirà via via perché l'occupancy ingenua sia distorta, come funzionino il modello a stagione singola e quello dinamico, che cosa richiedano realmente le assunzioni, dove le fototrappole in particolare mandino in tilt il modello, e a quale software rivolgersi. È uno stretto parente di altre due domande — come posizionare le fototrappole in partenza e come trasformare i rilevamenti in densità animale — ma è distinto, e lo si terrà tale. Per lo strato di progettazione della rete, si veda; per un numero con animali-per-km² sopra, si veda.

Perché l'«occupancy ingenua» è la linea di partenza sbagliata

Si parta dalla tentazione che tutti provano. Si ha una griglia di postazioni di fototrappola e un registro per ciascuna: la specie bersaglio è comparsa o no? La mossa ovvia è chiamare stima di occupancy la proporzione di postazioni in cui è comparsa. Questa è l'occupancy ingenua — ed è distorta verso il basso, ogni volta, di una quantità che non si vede e non si può delimitare senza ulteriore informazione.

Ecco il meccanismo, senza ancora matematica. Si supponga che una specie occupi davvero 60 delle 100 postazioni. Nelle 60 postazioni occupate la fototrappola la rileva, poniamo, in 40 di esse e la manca nelle altre 20. La stima ingenua è 40/100 = 0,40. La verità era 0,60. Non si è misurata l'occupancy; si è misurata occupancy per rilevabilità, aggrovigliate insieme, e riportato il prodotto come se fosse la grandezza a cui si teneva. Più bassa è la probabilità di rilevamento, peggiore è lo scarto — e le probabilità di rilevamento sono basse. In una rassegna quantitativa di 537 articoli di ecologia, Kellner e Swihart hanno trovato che, tra gli studi che effettivamente la riportavano, il 70% aveva stime di rilevamento per sopralluogo inferiori a 0,5. La maggior parte dei sopralluoghi, la maggior parte delle volte, manca la specie più spesso di quanto la catturi.

Peggiora nel momento in cui si fa qualcosa di interessante con i dati. La dimostrazione classica è «Absent or undetected?» di Gu e Swihart, che ha mostrato come, quando la probabilità di rilevare una specie è essa stessa correlata a una variabile di habitat — e di solito lo è; alcuni tipi di copertura rendono gli animali più facili da fotografare di altri — quella correlazione trapela nei coefficienti di habitat stimati e li distorce, in una direzione o nell'altra a seconda dei segni in gioco. Nella loro illustrazione con trappolaggio di micromammiferi, l'errore da mancato rilevamento andava dallo 0% al 23% su sette specie dopo cinque giorni di campionamento. Così il modello che dice «questa specie ama la boscaglia fitta» potrebbe non dire nient'altro che «questa specie è più facile da catturare nella boscaglia fitta». Stessi dati, significato opposto.

Una stima di occupancy ingenua non è occupancy — è occupancy per rilevabilità, riportata come se il secondo numero fosse 1.

Ecco le ragioni per fare il lavoro in più. Ora il lavoro in sé.

Il modello a stagione singola, costruito a partire da una postazione

Tutto parte dal modello statico, a stagione singola: un'istantanea nel tempo, durante la quale si assume che lo stato di occupancy di una postazione non cambi. Si scelgano le postazioni, si visiti ciascuna più volte entro una finestra abbastanza breve da escludere ingressi e uscite, e si annoti ciò che si è visto come una storia di rilevamento — una stringa di 1 (rilevato) e 0 (non rilevato), una cifra per sopralluogo.

Il modello ha due parti mobili. Una postazione è occupata con probabilità ψ, oppure no, con probabilità 1−ψ. Se è occupata, si rileva la specie a ogni sopralluogo con probabilità p, oppure la si manca con probabilità 1−p. E — questa è l'assunzione portante a cui si tornerà — se la postazione è non occupata, non si può rilevare affatto la specie. Da questi pezzi si può scrivere la probabilità di qualsiasi storia di rilevamento. La versione svolta del manuale di MARK è la più chiara che si conosca. Per la storia «01» (mancata al primo sopralluogo, rilevata al secondo), la probabilità è:

ψ (1 − p₁) p₂ — la postazione è occupata, la si è mancata la prima volta, la si è catturata la seconda.

Quella interessante è la storia tutta-zeri, «00». Non si è visto nulla. Significa che la postazione è vuota? Il modello si rifiuta di assumerlo. La sua probabilità è:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Si legga ad alta voce, perché è l'intera filosofia in una riga: o la postazione era occupata e si è mancata la specie in entrambi i sopralluoghi (il termine di sinistra), oppure la postazione davvero non era occupata (il termine di destra). Il «+» è un OR logico. Un registro vuoto è compatibile con entrambe le storie, e il modello le tiene entrambe in vita, pesandole in base a quanto spesso si rileva la specie nelle postazioni in cui effettivamente la si è vista. È da lì che viene la correzione. Si esegua questa verosimiglianza su tutte le postazioni in una volta e si ottiene un ψ che rende conto degli animali non fotografati.

Lo si confronti con il vecchio metodo — la regressione logistica della presenza sull'habitat — che «assume che una specie fosse assente nelle postazioni in cui non è stata rilevata, e quindi l'inferenza è notoriamente distorta quando la probabilità di rilevare una specie in una postazione è inferiore a uno». I modelli di occupancy sono, in fondo, quest'unica correzione applicata onestamente.

In R, questa è la funzione `occu()` del pacchetto unmarked: si costruisce un oggetto `unmarkedFrameOccu` dalla propria matrice di rilevamento e lo si adatta con una doppia formula — una parte per il rilevamento, una per l'occupancy. Si tornerà sul software. Prima, i dati di cui questi modelli si nutrono, perché per le fototrappole è lì che si nascondono le decisioni vere.

Trasformare un rullino di fototrappola in una storia di rilevamento

Un censimento di uccelli arriva già impacchettato in occasioni: si è visitata la zona umida martedì, giovedì e sabato — tre sopralluoghi. Una fototrappola non funziona così. Funziona in continuo per settimane e consegna un mucchio di foto marcate temporalmente. Prima che un qualsiasi modello di occupancy possa toccarle, bisogna suddividere il dispiegamento in occasioni discrete da soli, e il modo in cui lo si suddivide cambia la risposta.

Lo strumento che la maggior parte delle persone usa è `detectionHistory()` di camtrapR, che prende i record e un `occasionLength` e produce la matrice di rilevamento/non rilevamento che unmarked o i suoi cugini bayesiani si aspettano — e, cosa importante, consente di portarsi appresso lo sforzo attivo della fototrappola, così una postazione che ha funzionato dieci giorni non viene trattata come una che ne ha funzionati trenta. Il giudizio in gioco è la lunghezza dell'occasione, e il primer di Sollmann espone il compromesso con chiarezza:

• Troppo breve (poniamo, occasioni giornaliere) e la matrice si riempie di zeri. Un muro di 0 spinge la stima di rilevamento verso lo zero e può rompere numericamente il modello.
• Troppo lunga e si butta via informazione — quindici fotografie separate di una volpe in una postazione collassano in un unico «1», e si è scartato tutto ciò che le visite ripetute dovevano dire su p.
• Si mantenga costante. La probabilità di rilevamento cresce con la lunghezza dell'occasione, perciò se le occasioni (o lo sforzo al loro interno) differiscono, bisogna inserire come covariata sul rilevamento la lunghezza dell'occasione o lo sforzo, oppure accettare un p distorto.

C'è una trappola più sottile e specifica delle fototrappole a cui un articolo del 2024 di Goldstein e colleghi ha attribuito un numero: l'autocorrelazione temporale. Un animale fotografato a una fototrappola oggi ha più probabilità di essere fotografato lì domani — sta usando quel punto. I modelli di occupancy standard assumono che i rilevamenti ripetuti siano indipendenti, e quando non lo sono, il modello legge i rilevamenti raggruppati come un tasso di rilevamento più alto di quello reale, poi conclude che le postazioni senza rilevamenti sono probabilmente vuote — distorcendo l'occupancy verso il basso. Il loro verdetto fa riflettere: l'autocorrelazione è «probabilmente diffusa nei dati delle fototrappole e molti studi precedenti di occupancy basati su dati di fototrappola potrebbero aver sistematicamente sottostimato le probabilità di occupancy». I loro rimedi sono pratici e vale la pena memorizzarli: si verifichi con un test di adattamento a conteggio di giunzioni (join-count); se c'è, si usino finestre di rilevamento più ampie per assorbire il raggruppamento; e non si tenti di correggerla lasciando intervalli vuoti tra le occasioni — gli intervalli non rimuovono la struttura temporale e si limitano a buttare via dati.

Si tagli il dispiegamento della fototrappola in occasioni troppo fini e il modello annega negli zeri; troppo grossolane e si buttano via i rilevamenti ripetuti che lo fanno funzionare.

La probabilità di rilevamento non è mai costante — quindi la si modelli

Il quadro ingenuo assume un'unica probabilità di rilevamento per tutto. La realtà, dalla stessa rassegna di 537 articoli, è che quando i ricercatori si sono presi la briga di verificare se il rilevamento fosse costante, l'86% delle volte variava in modo significativo. Meteo, stagione, la posizione della fototrappola su o fuori da un sentiero, l'osservatore, la luna — tutto sposta p. La buona notizia è che l'impianto è stato costruito proprio per questo: si può modellare l'occupancy ψ come funzione di covariate di postazione (habitat, quota, distanza da una strada) e il **rilevamento p come funzione di covariate di postazione e di sopralluogo** (sforzo, temperatura, stagione).

Una peculiarità da fare propria: poiché l'occupancy è assunta fissa entro una stagione, le covariate che si mettono su ψ dovrebbero essere grandezze che non cambiano entro quella stagione — a livello di postazione, costanti nel tempo. Il rilevamento p, al contrario, può tranquillamente prendere covariate variabili nel tempo, perché lo si misura sopralluogo per sopralluogo.

Poi c'è un tipo di eterogeneità del rilevamento che di solito non si vede e non si può mettere in una covariata: la variazione guidata da quanti animali ci sono realmente in una postazione. Una postazione con otto volpi residenti fotograferà «una volpe» assai più prontamente di una postazione con un solo individuo di passaggio. Royle e Nichols hanno trasformato quella seccatura in un modello. La loro intuizione chiave è che la variazione dell'abbondanza induce variazione nella probabilità di rilevamento, attraverso una relazione pulita — la probabilità di rilevare la specie in una postazione è uno meno la probabilità di mancare ogni singolo individuo presente:

pᵢ = 1 − (1 − r)^{Nᵢ}, dove r è la probabilità di rilevamento per individuo e Nᵢ è l'abbondanza locale nella postazione i.

Più animali, maggiore rilevabilità a livello di postazione. Percorsa all'inverso, si può estrarre una stima grezza dell'abbondanza da nient'altro che dati ripetuti di rilevamento/non rilevamento, senza mai marcare un individuo — questo è il modello di Royle–Nichols. La lezione più profonda, nelle parole stesse di Royle e Nichols, è che ignorare questo tipo di eterogeneità è «un'assunzione di fatto di abbondanza costante tra le postazioni», che raramente è ciò che si intende. Il lavoro successivo di Royle ha generalizzato il punto: quando il rilevamento varia tra le postazioni occupate e lo si lascia non modellato, la stima di occupancy è distorta verso il basso. L'eterogeneità del rilevamento non è una nota a piè di pagina. È il secondo modo più grande in cui questi modelli sbagliano, dopo il fingere che il rilevamento sia perfetto in assoluto.

Quando l'occupancy cambia: il modello dinamico

Un modello a stagione singola è una fotografia. A volte serve il film — la specie si sta espandendo in nuovo territorio, o si sta spegnendo in luoghi che occupava? Questo è il modello dinamico, multi-stagione, l'estensione del 2003 di MacKenzie e colleghi e un ramo di una famiglia di modelli poi cresciuta fino a coprire stati multipli, comunità e falsi positivi. Aggiunge due parametri che sono tutto il punto:

• Colonizzazione (γ, gamma): la probabilità che una postazione non occupata in una stagione diventi occupata in quella successiva.
• Estinzione locale (ε, epsilon): la probabilità che una postazione occupata diventi non occupata.

La struttura rispecchia il disegno robusto di Pollock: si hanno periodi primari (le «stagioni», tra le quali l'occupancy può cambiare) e all'interno di ciascuno, sopralluoghi secondari (le visite ripetute, durante le quali non può). Un avvertimento sulla parola «stagione», perché fa inciampare: nei modelli di occupancy essa non significa inverno o estate. Come afferma senza mezzi termini uno studio sui carnivori, «nel modello di occupancy la parola "stagione" non significa necessariamente stagione geografica… significa soltanto il periodo in cui i dati sono stati raccolti». Le stagioni potrebbero essere tre anni consecutivi, o estate-e-inverno ripetuti nell'arco di un decennio. Al modello non importa come le si chiami; gli importa che l'occupancy sia chiusa entro ciascuna e aperta tra l'una e l'altra.

Due studi con fototrappole mostrano il modello che si guadagna il pane. In un censimento triennale di leopardo della Cina settentrionale, gatto leopardo e volpe rossa in una riserva naturale cinese, il gruppo ha usato un modello dinamico per chiedere se l'occupancy di ciascun carnivoro fosse stabile o mutevole, e ha legato colonizzazione ed estirpazione a quota e disturbo umano — trovando l'occupancy piuttosto stabile, con la quota che contava più della distanza da villaggi o strade. Sono stati schietti anche sulla tensione centrale: i modelli dinamici assumono che le postazioni siano chiuse durante i sopralluoghi ma «possano essere "aperte" tra le stagioni», e quell'apertura «introduce eterogeneità, che… causa distorsione nelle stime» che le covariate possono assorbire solo in parte.

L'esempio più istruttivo è un insieme di dati con fototrappole di undici anni e otto specie dall'Anatolia nord-occidentale, in Turchia. Lo hanno strutturato come 11 stagioni estive e 11 invernali — 22 periodi primari — e hanno modellato come l'uso di una postazione da parte di ciascuna specie mutasse con stagione, quota e densità umana, adattando il tutto in un quadro bayesiano con JAGS e verificando l'adattamento con un p-value bayesiano. Il loro risultato è stato un argomento pulito a favore del passare al dinamico in partenza: ogni specie mostrava stagionalità nell'uso dell'habitat, ma la intensità differiva per specie, cosicché un'unica istantanea annuale avrebbe mediato via proprio lo schema che cercavano. Se gli animali si spostano nell'arco dell'anno — e la maggior parte lo fa — un modello statico mente in sordina su un bersaglio in movimento.

«Stagione» in un modello di occupancy non è inverno o estate — è soltanto la finestra entro cui si decide che l'occupancy resti ferma.

Le assunzioni, e quanto costano

È qui che i buoni professionisti si distinguono dai seguaci ciechi. I modelli di occupancy poggiano su un breve elenco di assunzioni, e la disciplina sta nel sapere quale si sta piegando e che cosa questo faccia alla risposta. Il capitolo di MARK ne elenca cinque; la trattazione a estensione di libro, per chi voglia ogni sfumatura e le dimostrazioni che vi stanno dietro, è Occupancy Estimation and Modeling di MacKenzie e colleghi.

Tre di queste meritano uno sguardo ravvicinato per chiunque lavori con le fototrappole.

La chiusura, e l'onesta ritirata verso l'«uso». Una fototrappola sorveglia pochi metri quadrati di sentiero; l'home range di un lupo è centinaia di chilometri quadrati. L'animale entra ed esce di continuo dal campo visivo, il che viola in senso stretto la chiusura. La risposta matura e onesta del settore è reinterpretare il parametro: quando una specie dai grandi spostamenti è disponibile a caso in questo modo, le stime di occupancy restano non distorte, ma ψ va letto come la probabilità che la postazione sia «usata» dalla specie, non occupata in senso stretto. Lo studio turco ha fatto esattamente questo, e l'ha detto chiaramente — poiché una postazione di fototrappola «può coprire solo una piccola porzione dell'home range di un individuo», la loro analisi «stima la probabilità di uso di una postazione, anziché di occupancy», così hanno scritto «uso» ovunque e ribattezzato l'estinzione locale «abbandono». Non è una debolezza da nascondere; è l'interpretazione corretta, e dichiararla è il segno di chi comprende il modello.

L'indipendenza, e la trappola della rete di fototrappole. Eccone una che morde specificamente chi usa le fototrappole. Gli autori di MARK forniscono lo scenario esatto: «se le fototrappole remote sono collocate vicine tra loro, un singolo individuo può essere rilevato a più fototrappole (postazioni) in una data settimana (sopralluogo)». Quando ciò accade, le postazioni non sono indipendenti — lo stesso animale sta generando «rilevamenti» in parecchie di esse — perciò il numero di fototrappole sovrastima il numero di unità indipendenti nello studio. Il danno è subdolo: la stima di occupancy spesso resta grosso modo giusta, ma l'incertezza è sottostimata — intervalli di confidenza troppo stretti, un falso senso di precisione. Il rimedio vive nella fase di progettazione: distanziare le fototrappole abbastanza da garantire l'indipendenza. (Che è una domanda diversa da questo articolo, e buona —.)

Nessun falso positivo, e perché l'IA alza la posta. Ogni modello qui sopra assume che, se si è registrata la specie, essa fosse davvero presente. I modelli di occupancy standard si fanno in quattro per i falsi negativi — mancare un animale presente — ma assumono che i falsi positivi non accadano mai. Accadono. Miller e colleghi hanno costruito il modello fondativo per trattare entrambi i tipi di errore dopo che esperimenti controllati avevano mostrato che persino osservatori altamente addestrati identificano erroneamente specie come presenti quando sono assenti. Il loro avvertimento è tagliente: «la distorsione negli stimatori di occupancy, colonizzazione ed estinzione può essere grave quando si verificano falsi positivi», e l'errata identificazione non modellata sovrastima l'occupancy. Questo conta più oggi di quando fu scritto, perché i classificatori automatici di specie commettono esattamente questo errore — etichettando con sicurezza un coyote come un lupo, una lince rossa come una lince. Un rilevamento erroneamente classificato è un falso positivo in senso tecnico, e se si dà in pasto a un modello di occupancy una storia di rilevamento auto-etichettata e non verificata, si potrebbe star modellando gli errori del classificatore come espansione di areale. Il flusso di lavoro difendibile a cui punta l'impianto di Miller è tenere un sottoinsieme di rilevamenti verificati — un tipo confermato da un umano per il quale si possa assumere assenza di falsi positivi — e lasciare che il modello si appoggi su quelli.

Per animali dai grandi spostamenti fotografati con fototrappole, raramente si sta stimando l'occupancy in senso stretto — si sta stimando l'uso della postazione, e gli articoli onesti lo dicono.

Più di una specie alla volta

Se si ha una griglia di fototrappole, quasi mai si ha una sola specie — si ha una comunità, la maggior parte delle cui specie è fotografata troppo di rado per modellarla una alla volta. I modelli di occupancy multi-specie (di comunità) mettono in comune l'informazione tra le specie, così quelle ricche di dati aiutano a stimare quelle povere di dati, pur correggendo ciascuna per la propria probabilità di rilevamento. Lo studio di Rich e colleghi su una comunità di mammiferi nel nord del Botswana è un buon capofila: 44 specie in 6.607 notti-trappola, una probabilità media di occorrenza di specie di 0,32, e una mappa di quali habitat e aree protette ospitassero la maggiore diversità — il tutto tenendo conto del fatto che specie diverse sono fotografate a tassi enormemente diversi.

L'onesto distinguo viene da Guillera-Arroita e colleghi: i modelli di comunità possono stimare la ricchezza di specie, incluso un tentativo di stima per specie mai rilevate del tutto, ma quella stima sull'indeterminato poggia pesantemente sulla struttura e sulle assunzioni del modello anziché su dati effettivamente raccolti — perciò si interpretino i numeri di ricchezza a livello di comunità con l'appropriata umiltà. Il modello è potente; non è una sfera di cristallo per specie che le fototrappole non hanno mai visto.

Quante visite prima che «assente» significhi qualcosa?

Questa è la domanda che i gestori pongono davvero: ho fatto il sopralluogo e non ho trovato nulla — ora posso dire che la specie non è qui? La risposta dell'occupancy è rinfrescante nella sua concretezza: non si può mai dire «assente» con certezza, ma si può rendere la probabilità di aver mancato una specie presente piccola quanto si voglia, accumulando occasioni di rilevamento. Se il rilevamento per sopralluogo è p, la probabilità di mancare una postazione occupata attraverso k sopralluoghi indipendenti è (1−p)^k — un p piccolo significa semplicemente che serve più k. La letteratura di progettazione dei censimenti affronta la cosa nel modo pratico e inverso: si decida quanto si debba essere sicuri, poi si assegnino abbastanza visite e sforzo per visita da spingere la probabilità di rilevamento cumulativa fino a quel livello. Per le fototrappole, «più visite» di solito significa «lasciarle sul posto più a lungo», che è la manopola più economica di cui si disponga. E non sempre serve un censimento dedicato: Wevers e colleghi hanno costruito modelli di distribuzione per cinghiale e capriolo nel Giura svizzero a partire da rilevamenti incidentali di fototrappola, «catture accessorie» — rilevamenti accumulatisi durante censimenti faunistici invernali mirati ad altro — modellando prima la rilevabilità e poi correggendo per essa. I rilevamenti che si hanno già possono spesso rispondere a una domanda di occupancy, purché si tenga conto di quanto imperfettamente li si sia raccolti.

E quando la posta è alta — una specie minacciata, una decisione su un habitat critico — la postura prudente è quella per cui argomentano Bennett e colleghi: poiché il rilevamento imperfetto è la norma e mancano buone stime di rilevabilità per la maggior parte delle specie prioritarie, «l'assenza nei censimenti dovrebbe essere considerata soltanto indicativa», e l'habitat critico dovrebbe essere gestito come occupato anche quando la presenza non è confermata. Un mancato rilevamento è indizio, non prova, e quanto sia forte quell'indizio dipende interamente da quanto a fondo si è cercato.

Non si può mai provare che una specie sia assente — solo rendere le probabilità di averla mancata piccole quanto si è disposti a lavorare per ottenerlo.

Il software, in breve

Non serve codificare a mano una verosimiglianza. L'ecosistema è maturo, e quale strumento scegliere dipende soprattutto da quanto si vuole programmare e da quanto sia grande o complesso il problema.

Una tipica pipeline con fototrappole va da camtrapR a unmarked (o ubms / spOccupancy), con PRESENCE come alternativa senza codice. Se si impara l'impianto da zero, il pacchetto USGS `occupancyTuts` è una rampa d'accesso davvero buona: 28 tutorial interattivi che coprono stagione singola, dinamica, disegno dello studio e i modelli derivati, con video ed esercizi.

Una nota lieve sul flusso di lavoro, perché è il collo di bottiglia prima che un qualsiasi software si avvii: i modelli di occupancy hanno bisogno di storie di rilevamento pulite, e la parte lenta è quasi sempre lo smistare migliaia di foto per trovare quella manciata con la specie bersaglio dentro — e non etichettarle male, il che, come si è visto, è un falso positivo che il modello prenderà per buono.

L'occupancy è una grandezza reale — non la si trasformi di soppiatto in abbondanza

Una disciplina di chiusura, perché è l'abuso più comune. L'occupancy è una grandezza legittima e utile di per sé — la proporzione di postazioni usate, come muti con l'habitat, come cambi negli anni. Ciò che non è, è un surrogato dell'abbondanza. Sollmann è esplicito: «l'occupancy non va interpretata erroneamente come un indice di abbondanza», perché la relazione tra le due dipende dalla dimensione di areale e dal comportamento di una specie. Una postazione può risultare «occupata» sia che la usi un solo animale sia che ne usino cinquanta. Se il numero che serve davvero è animali per chilometro quadrato, l'occupancy è il modello sbagliato e si vuole invece la famiglia della densità. Si usi l'occupancy per ciò in cui è brillante — dove sia una specie, e dove stia andando — e la si lasci fermare lì.

Domande frequenti