Bezettingsmodellen voor wildcamera's: waarom een lege camera niet betekent dat het dier weg is

Een camera stond drie weken op een bergkam en fotografeerde nooit een lynx. Is er geen lynx, of werd hij alleen gemist?

Die vraag is de hele inzet, en de meeste analyses krijgen haar verkeerd door aan te nemen dat het antwoord voor de hand ligt. Dat doet het niet. Een lege detectieregistratie op een bezette locatie is geen storing; het is de verwachte uitkomst van een eenvoudig feit — een camera vangt niet alles wat langsloopt, en een dier dat een leefgebied doorkruist dat veel groter is dan het gezichtsveld van de camera, brengt het grootste deel van zijn tijd door op een plek waar de camera niet kijkt. Behandel die leegte als een echte afwezigheid en er zit een fout ingebakken in alles verderop: de verspreidingskaart, het habitatmodel, de conclusie “de soort is weg uit dit stroomgebied”. De nette, precieze naam voor dit soort registratie is niet “afwezigheid”. De aantekeningen van Gary White over bezetting zeggen het botweg: dit zijn presence/apparent-absence-gegevens (aanwezigheid/schijnbare afwezigheid), en “het niet detecteren van een soort impliceert geen afwezigheid”.

Bezettingsmodellering is het kader dat is gebouwd om dat serieus te nemen. In plaats van dieren te tellen, stelt het een beter beantwoordbare vraag — is deze locatie bezet of niet? — en het schat twee dingen tegelijk: ψ (psi), de kans dat een locatie bezet is, en p, de kans dat de soort bij een gegeven onderzoek wordt gedetecteerd gegeven dat hij er is. De truc die het laat werken is bijna gênant eenvoudig: onderzoek elke locatie meer dan één keer. Wordt de soort ook maar één keer gedetecteerd, dan staat vast dat die locatie de hele tijd bezet was, wat betekent dat elk leeg onderzoek op die locatie een misser was en geen afwezigheid — en de frequentie van die missers is precies de informatie die nodig is om p te schatten, en vervolgens ψ te corrigeren voor alle locaties waar helemaal niets werd gezien.

Dit is een methodestuk voor wie het daadwerkelijk gaat uitvoeren: onderzoekers, wild- en faunabeheerders, en het serieuze uiteinde van citizen science. Opgebouwd wordt waarom naïeve bezetting vertekend is, hoe het enkelseizoens- en het dynamische model werken, wat de aannames werkelijk verlangen, waar wildcamera's het model specifiek doen struikelen, en welke software geschikt is. Het is een naaste verwant van twee andere vragen — hoe camera's in de eerste plaats geplaatst moeten worden en hoe detecties omgezet worden in dierdichtheid — maar het is een aparte vraag, en die scheiding blijft behouden. Voor de laag van het opstellingsontwerp, zie; voor een getal met dieren-per-km² erachter, zie.

Waarom “naïeve bezetting” de verkeerde startlijn is

Begin met de verleiding die iedereen voelt. Er is een raster van cameralocaties en per locatie een registratie: dook de doelsoort op of niet? De voor de hand liggende zet is om het aandeel waar hij opdook de bezettingsschatting te noemen. Dat is naïeve bezetting — en die is stelselmatig te laag, elke keer, met een bedrag dat onzichtbaar is en niet af te bakenen zonder meer informatie.

Hier is het mechanisme, nog zonder wiskunde. Stel dat een soort werkelijk 60 van de 100 locaties bezet. Op de 60 bezette locaties detecteert de camera hem op, zeg, 40 ervan en mist hij hem op de andere 20. De naïeve schatting is 40/100 = 0,40. De waarheid was 0,60. Er is geen bezetting gemeten; er is bezetting maal detecteerbaarheid gemeten, in elkaar verstrengeld, en het product is gerapporteerd alsof het de gewenste grootheid was. Hoe lager de detectiekans, hoe groter de kloof — en detectiekansen zijn laag. In een kwantitatief overzicht van 537 ecologiepublicaties vonden Kellner en Swihart dat onder de studies die het daadwerkelijk rapporteerden, 70% detectieschattingen per onderzoek onder 0,5 had. De meeste onderzoeken missen de soort, het merendeel van de tijd, vaker dan ze hem vangen.

Het wordt erger op het moment dat er iets interessants met de gegevens wordt gedaan. De klassieke demonstratie is Gu en Swiharts “Absent or undetected?”, die liet zien dat wanneer de kans om een soort te detecteren zelf gecorreleerd is met een habitatvariabele — en dat is ze meestal; dieren zijn in sommige begroeiingstypen makkelijker te fotograferen dan in andere — die correlatie in de geschatte habitatcoëfficiënten lekt en ze vertekent, in beide richtingen afhankelijk van de betrokken tekens. In hun voorbeeld met kleinzoogdierenvangst liep de niet-detectiefout van 0% tot 23% over zeven soorten na vijf dagen bemonstering. Dus het model dat zegt “deze soort houdt van dichte struiken” zegt misschien niets meer dan “deze soort is makkelijker te vangen in dichte struiken”. Dezelfde gegevens, tegengestelde betekenis.

Een naïeve bezettingsschatting is geen bezetting — het is bezetting maal detecteerbaarheid, gerapporteerd alsof dat tweede getal 1 was.

Dat is het argument om het extra werk te doen. Nu het werk zelf.

Het enkelseizoensmodel, opgebouwd vanuit één locatie

Alles begint met het statische, enkelseizoensmodel: één momentopname in de tijd, waarin wordt aangenomen dat de bezettingstoestand van een locatie niet verandert. Kies de locaties, onderzoek elke locatie meerdere keren binnen een venster dat kort genoeg is dat er niets in- of uitbeweegt, en noteer wat er werd gezien als een detectiegeschiedenis — een reeks van enen (gedetecteerd) en nullen (niet gedetecteerd), één cijfer per onderzoek.

Het model heeft twee bewegende delen. Een locatie is bezet met kans ψ, of niet, met kans 1−ψ. Is hij bezet, dan wordt de soort bij elk onderzoek gedetecteerd met kans p, of gemist met kans 1−p. En — dit is de dragende aanname waar we op terugkomen — is de locatie onbezet, dan kan de soort helemaal niet worden gedetecteerd. Uit die onderdelen valt de kans van elke detectiegeschiedenis op te schrijven. De uitgewerkte versie in het MARK-leerboek is de helderste die er is. Voor de geschiedenis “01” (gemist bij onderzoek één, gedetecteerd bij onderzoek twee) is de kans:

ψ (1 − p₁) p₂ — de locatie is bezet, de eerste keer werd hij gemist, de tweede keer gevangen.

De interessante is de all-nullen-geschiedenis, “00”. Er werd niets gezien. Betekent dat dat de locatie leeg is? Het model weigert dat aan te nemen. De kans ervan is:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Lees dat hardop, want het is de hele filosofie in één regel: ofwel was de locatie bezet en werd de soort bij beide onderzoeken gemist (de linkerterm), ofwel was de locatie werkelijk niet bezet (de rechterterm). De “+” is een logische OF. Een lege registratie past bij beide verhalen, en het model houdt ze allebei in leven, gewogen naar hoe vaak de soort wordt gedetecteerd op locaties waar hij wél werd gezien. Daar komt de correctie vandaan. Draai deze aannemelijkheid over alle locaties tegelijk en het resultaat is een ψ die rekening houdt met de dieren die niet werden gefotografeerd.

Vergelijk dat met de oude manier — logistische regressie van aanwezigheid op habitat — die “aanneemt dat een soort afwezig was op locaties waar hij niet werd gedetecteerd, en waarvan de gevolgtrekking dus aantoonbaar vertekend is wanneer de kans om een soort op een locatie te detecteren kleiner is dan één”. Bezettingsmodellering is in de kern die ene correctie, eerlijk toegepast.

In R is dit de functie `occu()` in het pakket unmarked (letterlijk “ongemarkeerd”): een `unmarkedFrameOccu`-object wordt uit de detectiematrix opgebouwd en gefit met een dubbele formule — één deel voor detectie, één voor bezetting. We komen terug op de software. Eerst de gegevens die deze modellen verorberen, want voor wildcamera's is dat waar de echte beslissingen schuilen.

Een camerarol omzetten in een detectiegeschiedenis

Een vogelonderzoek komt kant-en-klaar opgedeeld in gelegenheden: het moeras werd dinsdag, donderdag en zaterdag bezocht — drie onderzoeken. Een wildcamera werkt niet zo. Hij draait weken achtereen en levert een stapel foto's met tijdstempel af. Voordat enig bezettingsmodel dat kan aanraken, moet de uitrol zelf in afzonderlijke gelegenheden worden gehakt, en de manier van hakken verandert het antwoord.

Het gereedschap dat de meeste mensen gebruiken is camtrapR's `detectionHistory()`, dat de registraties en een `occasionLength` neemt en de detectie/niet-detectiematrix produceert die unmarked of de bayesiaanse verwanten ervan verwachten — en, belangrijk, het mogelijk maakt de actieve inspanning van de camera mee te dragen, zodat een station dat tien dagen draaide niet wordt behandeld als een dat er dertig draaide. De beoordelingskwestie is de gelegenheidslengte, en Sollmanns inleiding zet de afweging helder neer:

• Te kort (bijvoorbeeld dagelijkse gelegenheden) en de matrix vult zich met nullen. Een muur van nullen drijft de detectieschatting naar nul en kan het model numeriek doen breken.
• Te lang en er wordt informatie weggegooid — vijftien afzonderlijke foto's van een vos op één locatie klappen samen tot één enkele “1”, en alles wat de herhaalde bezoeken over p moesten vertellen is verspeeld.
• Houd de lengte constant. De detectiekans stijgt met de gelegenheidslengte, dus verschillen de gelegenheden (of de inspanning erbinnen), dan moet gelegenheidslengte of inspanning als covariaat op de detectie worden opgenomen, of moet een vertekende p worden aanvaard.

Er is een subtielere, cameraspecifieke valkuil die een artikel uit 2024 van Goldstein en collega's van een getal voorzag: temporele autocorrelatie. Een dier dat vandaag bij een camera wordt gefotografeerd, wordt met grotere kans morgen daar opnieuw gefotografeerd — het gebruikt die plek. Standaardbezettingsmodellen nemen aan dat herhaalde detecties onafhankelijk zijn, en zijn ze dat niet, dan leest het model de geclusterde detecties als een hogere detectiefrequentie dan werkelijk is, en concludeert vervolgens dat locaties met geen detecties waarschijnlijk leeg zijn — waardoor de bezetting naar beneden wordt vertekend. Hun oordeel is ontnuchterend: autocorrelatie is “waarschijnlijk wijdverspreid in cameragegevens, en veel eerdere studies naar bezetting op basis van cameragegevens hebben de bezettingskansen mogelijk stelselmatig onderschat”. Hun oplossingen zijn praktisch en het onthouden waard: toets erop met een join-count-goodness-of-fit-toets; is ze aanwezig, gebruik dan grotere detectievensters om de clustering op te vangen; en probeer haar niet te verhelpen door gaten tussen gelegenheden te laten — gaten verwijderen de temporele structuur niet en gooien alleen gegevens weg.

Hak de camera-uitrol te fijn in gelegenheden en het model verdrinkt in nullen; te grof en de herhaalde detecties die het laten werken worden weggegooid.

De detectiekans is nooit constant — dus modelleer haar

Het naïeve beeld neemt één detectiekans voor alles aan. De werkelijkheid, uit datzelfde overzicht van 537 publicaties, is dat wanneer onderzoekers de moeite namen te toetsen of de detectie constant was, ze 86% van de tijd significant varieerde. Weer, seizoen, de positie van de camera op of naast een pad, de waarnemer, de maan — het beweegt p allemaal. Het goede nieuws is dat het kader hiervoor is gebouwd: bezetting ψ als functie van locatiecovariaten (habitat, hoogte, afstand tot een weg) kan worden gemodelleerd, en **detectie p als functie van locatie- én onderzoekscovariaten** (inspanning, temperatuur, seizoen).

Eén eigenaardigheid is het waard te verinnerlijken: omdat de bezetting binnen een seizoen als vast wordt aangenomen, moeten de covariaten op ψ dingen zijn die binnen dat seizoen niet veranderen — op locatieniveau, tijdconstant. Detectie p daarentegen kan probleemloos tijdvariërende covariaten opnemen, want die wordt onderzoek voor onderzoek gemeten.

Dan is er een soort detectieheterogeniteit die doorgaans niet zichtbaar is en niet in een covariaat te vatten valt: variatie die wordt gedreven door hoeveel dieren er werkelijk op een locatie zijn. Een locatie met acht residente vossen fotografeert “een vos” veel gereder dan een locatie met één passant. Royle en Nichols maakten van die hindernis een model. Hun kerninzicht is dat variatie in abundantie variatie in detectiekans veroorzaakt, via een zuivere betrekking — de kans om de soort op een locatie te detecteren is één min de kans om elk individu daar te missen:

pᵢ = 1 − (1 − r)^{Nᵢ}, waarbij r de detectiekans per individu is en Nᵢ de lokale abundantie op locatie i.

Meer dieren, hogere detecteerbaarheid op locatieniveau. Draai het om en er valt een ruwe schatting van de abundantie uit te halen op basis van niets dan herhaalde detectie/niet-detectiegegevens, zonder ooit een individu te markeren — dat is het Royle–Nichols-model. De diepere les, in Royle en Nichols' eigen woorden, is dat het negeren van dit soort heterogeniteit “een feitelijke aanname van constante abundantie tussen locaties” is, wat zelden de bedoeling is. Royles latere werk veralgemeende het punt: varieert de detectie tussen bezette locaties en blijft die ongemodelleerd, dan is de bezettingsschatting naar beneden vertekend. Detectieheterogeniteit is geen voetnoot. Het is de op één na grootste manier waarop deze modellen fout gaan, na het doen alsof de detectie überhaupt perfect is.

Wanneer de bezetting verandert: het dynamische model

Een enkelseizoensmodel is een foto. Soms is de film nodig — verspreidt de soort zich in nieuw gebied, of verdwijnt hij uit plekken waar hij vroeger zat? Dat is het dynamische, meerseizoensmodel, de uitbreiding van MacKenzie en collega's uit 2003 en één tak van een modelfamilie die sindsdien is uitgegroeid tot meerdere toestanden, gemeenschappen en fout-positieven. Het voegt twee parameters toe die de hele bedoeling zijn:

• Kolonisatie (γ, gamma): de kans dat een locatie die in het ene seizoen onbezet was in het volgende bezet raakt.
• Lokale uitsterving (ε, epsilon): de kans dat een locatie die wel bezet was onbezet raakt.

De structuur weerspiegelt Pollocks robuuste ontwerp: er zijn primaire perioden (de “seizoenen”, waartussen de bezetting kan veranderen) en binnen elke, secundaire onderzoeken (de herhaalde bezoeken, waarbinnen ze dat niet kan). Een waarschuwing over het woord “seizoen”, want het brengt mensen in de war: in bezettingsmodellering betekent het niet winter of zomer. Zoals één roofdierstudie ronduit stelt: “in het bezettingsmodel betekent het woord ‘seizoen’ niet noodzakelijk een geografisch seizoen… het betekent slechts de periode waarin gegevens werden verzameld”. De seizoenen kunnen drie opeenvolgende jaren zijn, of zomer-en-winter herhaald over een decennium. Het model geeft niet om hoe ze worden genoemd; het geeft erom dat de bezetting binnen elk gesloten is en ertussen open.

Twee camerastudies laten het model zijn waarde bewijzen. In een driejarig onderzoek naar de Noord-Chinese luipaard, de bengaalse kat en de vos in een Chinees natuurreservaat gebruikte het team een dynamisch model om te vragen of de bezetting van elk roofdier stabiel was of verschoof, en koppelde kolonisatie en verdwijning aan hoogte en menselijke verstoring — met als bevinding dat de bezetting redelijk stabiel was, waarbij hoogte meer uitmaakte dan de afstand tot dorpen of wegen. Ze waren ook openhartig over de centrale spanning: dynamische modellen nemen aan dat locaties tijdens de onderzoeken gesloten zijn, maar “tussen seizoenen ‘open’ kunnen zijn”, en die openheid “introduceert heterogeniteit, die… vertekening van de schatting veroorzaakt” die covariaten maar deels kunnen opvangen.

Het meest leerzame voorbeeld is een elfjarige, achtsoortige cameradataset uit noordwestelijk Anatolië, Turkije. Ze structureerden hem als 11 zomer- en 11 winterseizoenen — 22 primaire perioden — en modelleerden hoe het gebruik van een locatie door elke soort verschoof met seizoen, hoogte en menselijke dichtheid, en fitten dat alles in een bayesiaans kader met JAGS, met controle van de fit via een bayesiaanse p-waarde. Hun bevinding was een helder argument om in de eerste plaats dynamisch te gaan: elke soort vertoonde seizoensgebondenheid in het habitatgebruik, maar de sterkte ervan verschilde per soort, dus één jaarlijkse momentopname zou juist het patroon hebben weggemiddeld waar het hun om ging. Schuiven de dieren binnen het jaar heen en weer — en de meeste doen dat — dan liegt een statisch model stilletjes over een bewegend doelwit.

“Seizoen” in een bezettingsmodel is geen winter of zomer — het is enkel het gekozen venster waarin de bezetting stilstaat.

De aannames, en wat ze kosten

Hier scheiden de goede uitvoerders zich van de na-apers. Bezettingsmodellen rusten op een korte lijst aannames, en de discipline is te weten welke wordt opgerekt en wat dat met het antwoord doet. Het MARK-hoofdstuk somt er vijf op; de boeklange behandeling, voor wie elke nuance en de bewijzen erachter wil, is MacKenzie en collega's' Occupancy Estimation and Modeling.

Drie hiervan verdienen een nadere blik voor wie met camera's werkt.

Geslotenheid, en de eerlijke terugtocht naar “gebruik”. Een camera bewaakt een paar vierkante meter pad; het leefgebied van een wolf is honderden vierkante kilometers. Het dier beweegt voortdurend het gezichtsveld van de camera in en uit, wat de geslotenheid strikt schendt. Het volwassen, eerlijke antwoord van het vakgebied is de parameter opnieuw te duiden: is een wijd zwervende soort op deze manier willekeurig beschikbaar, dan zijn de bezettingsschattingen nog steeds onvertekend, maar moet ψ worden gelezen als de kans dat de locatie door de soort wordt “gebruikt”, niet strikt bezet. De Turkse studie deed precies dit, en zei het ronduit — omdat een cameralocatie “slechts een klein deel van het leefgebied van een individu kan bestrijken”, schat hun analyse “de kans op gebruik van een locatie, in plaats van op bezetting”, dus schreven ze overal “gebruik” en hernoemden ze lokale uitsterving tot “verlating”. Dit is geen zwakte om te verbergen; het is de juiste interpretatie, en die uitspreken is het kenmerk van iemand die het model begrijpt.

Onafhankelijkheid, en de camera-array-valkuil. Hier is er een die specifiek cameramensen bijt. De MARK-auteurs geven het exacte scenario: “als op afstand bediende camera's dicht bij elkaar staan, kan één individu tijdens een gegeven week (onderzoek) bij meerdere camera's (locaties) worden gedetecteerd”. Gebeurt dat, dan zijn de locaties niet onafhankelijk — hetzelfde dier genereert “detecties” bij meerdere ervan — zodat het aantal camera's het aantal onafhankelijke eenheden in de studie overdrijft. De schade is sluipend: de bezettingsschatting blijft vaak ongeveer juist, maar de onzekerheid wordt onderschat — betrouwbaarheidsintervallen te nauw, een vals gevoel van precisie. De oplossing ligt in de ontwerpfase: plaats camera's ver genoeg uiteen voor onafhankelijkheid. (Wat een andere vraag is dan dit artikel, en een goede —.)

Geen fout-positieven, en waarom AI de inzet verhoogt. Elk model hierboven neemt aan dat als de soort werd geregistreerd, hij er ook werkelijk was. Standaardbezettingsmodellen doen alle moeite voor fout-negatieven — een aanwezig dier missen — maar nemen aan dat fout-positieven nooit voorkomen. Ze komen voor. Miller en collega's bouwden het grondleggende model om beide fouttypen aan te pakken nadat gecontroleerde experimenten hadden aangetoond dat zelfs sterk getrainde waarnemers soorten als aanwezig identificeren wanneer ze afwezig zijn. Hun waarschuwing is scherp: “vertekening in schatters van bezetting, kolonisatie en uitsterving kan ernstig zijn wanneer fout-positieven optreden”, en ongemodelleerde verkeerde identificatie overschat de bezetting. Dit is nu belangrijker dan toen het werd geschreven, want geautomatiseerde soortclassifiers maken precies deze fout — een coyote met stelligheid als wolf labelen, een rode lynx als lynx. Een verkeerd geclassificeerde detectie is een fout-positieve in de technische zin, en wordt een niet-geverifieerde, automatisch gelabelde detectiegeschiedenis rechtstreeks in een bezettingsmodel gevoerd, dan worden mogelijk de fouten van de classifier als areaaluitbreiding gemodelleerd. De verdedigbare werkstroom waar Millers kader op wijst is een deelverzameling van detecties bij te houden die geverifieerd zijn — een door een mens bevestigd type waarvoor fout-positieven als afwezig mogen worden aangenomen — en het model daarop te laten leunen.

Voor wijd zwervende dieren op camera's wordt zelden strikte bezetting geschat — het is locatiegebruik, en de eerlijke artikelen zeggen dat.

Meer dan één soort tegelijk

Wie een cameraraster heeft, heeft bijna nooit één soort — maar een gemeenschap, waarvan de meeste te zelden worden gefotografeerd om er één voor één te modelleren. Multisoorten- (gemeenschaps)bezettingsmodellen bundelen informatie over soorten heen, zodat de gegevensrijke soorten de gegevensarme helpen schatten, terwijl elke soort nog steeds voor zijn eigen detectiekans wordt gecorrigeerd. De studie van Rich en collega's naar een zoogdiergemeenschap in noordelijk Botswana is een goed vlaggenschip: 44 soorten over 6.607 valnachten, een gemiddelde voorkomenskans van 0,32, en een kaart van welke habitats en beschermde gebieden de meeste diversiteit herbergden — dit alles terwijl rekening werd gehouden met het feit dat verschillende soorten in sterk uiteenlopende frequenties worden gefotografeerd.

Het eerlijke voorbehoud komt van Guillera-Arroita en collega's: gemeenschapsmodellen kunnen de soortenrijkdom schatten, inclusief een gok naar soorten die helemaal nooit werden gedetecteerd, maar die gok over de niet-gedetecteerde soorten rust zwaar op de modelstructuur en aannames in plaats van op daadwerkelijk verzamelde gegevens — dus interpreteer soortenrijkdomcijfers op gemeenschapsniveau met gepaste bescheidenheid. Het model is krachtig; het is geen glazen bol voor soorten die de camera's nooit zagen.

Hoeveel bezoeken voordat “afwezig” iets betekent?

Dit is de vraag die beheerders werkelijk stellen: er is onderzocht en niets gevonden — nu mag toch worden gezegd dat de soort er niet is? Het bezettingsantwoord is verfrissend concreet: “afwezig” kan nooit met zekerheid worden gezegd, maar de kans dat een aanwezige soort werd gemist kan zo klein worden gemaakt als gewenst, door detectiekansen op te stapelen. Is de detectie per onderzoek p, dan is de kans dat een bezette locatie over k onafhankelijke onderzoeken wordt gemist (1−p)^k — een kleine p betekent gewoon dat meer k nodig is. De literatuur over onderzoeksontwerp werkt het praktisch andersom uit: bepaal hoe zeker het moet zijn, en wijs dan genoeg bezoeken en inspanning per bezoek toe om de cumulatieve detectiekans daarnaartoe op te tillen. Voor camera's betekent “meer bezoeken” meestal “laat de camera langer staan”, wat de goedkoopste knop is die er is. En een doelgericht onderzoek is niet altijd nodig: Wevers en collega's bouwden verspreidingsmodellen voor het wild zwijn en het ree in de Zwitserse Jura uit incidentele camera-“bijvangst” — detecties die zich opstapelden tijdens winterfaunaonderzoeken op iets anders gericht — door eerst de detecteerbaarheid te modelleren en daarna ervoor te corrigeren. De detecties die er al zijn kunnen vaak een bezettingsvraag beantwoorden, mits rekening wordt gehouden met hoe onvolkomen ze zijn verzameld.

En wanneer de inzet hoog is — een bedreigde soort, een besluit over kritiek leefgebied — is de behoedzame houding die welke Bennett en collega's bepleiten: omdat onvolkomen detectie de norm is en er voor de meeste prioritaire soorten geen goede detecteerbaarheidsschattingen zijn, “moet afwezigheid in onderzoeken slechts als suggestief worden beschouwd”, en moet kritiek leefgebied als bezet worden beheerd, zelfs wanneer de aanwezigheid niet is bevestigd. Een niet-waarneming is bewijs, geen bewijsstuk, en hoe sterk dat bewijs is hangt volledig af van hoe hard er is gezocht.

Afwezigheid van een soort valt nooit te bewijzen — enkel de kans dat hij werd gemist zo klein te maken als men bereid is ervoor te werken.

De software, kort

Een aannemelijkheid hoeft niet met de hand te worden gecodeerd. Het ecosysteem is volgroeid, en welk gereedschap wordt gekozen hangt vooral af van hoeveel men wil coderen en hoe groot of complex het probleem is.

Een typische cameraverwerkingslijn draait camtrapR → unmarked (of ubms / spOccupancy), met PRESENCE als het code-loze alternatief. Wie het kader vanaf de grond leert, vindt in het USGS-pakket `occupancyTuts` een oprecht goede oprit: 28 interactieve tutorials over enkelseizoens-, dynamische, studieontwerp- en de afgeleide modellen, met video's en oefeningen.

Eén zachte kanttekening over de werkstroom, want die is de flessenhals voordat welke software dan ook draait: bezettingsmodellen hebben schone detectiegeschiedenissen nodig, en het trage deel is bijna altijd het sorteren van duizenden foto's om het handjevol met de doelsoort te vinden — en ze niet verkeerd te labelen, wat, zoals we zagen, een fout-positieve is die het model voor waar aanneemt.

Bezetting is een echte grootheid — verander haar niet stiekem in abundantie

Een afsluitende discipline, want het is het meest voorkomende misbruik. Bezetting is een legitieme, nuttige grootheid op zichzelf — het aandeel gebruikte locaties, hoe dat met habitat verschuift, hoe het over de jaren verandert. Wat het niet is, is een vervanger voor abundantie. Sollmann is expliciet: “bezetting moet niet worden misvat als een index van abundantie”, want de relatie tussen de twee hangt af van de leefgebiedgrootte en het gedrag van een soort. Een locatie kan als “bezet” lezen of één dier of vijftig hem gebruiken. Is het getal dat werkelijk nodig is dieren per vierkante kilometer, dan is bezetting het verkeerde model en is de dichtheidsfamilie gewenst. Gebruik bezetting waar ze briljant in is — waar een soort zit, en waar hij heen gaat — en laat het daarbij.

Veelgestelde vragen