Onderzoeksopzet voor wildcamera's: spreiding, dichtheid en duur

Hier is de ongemakkelijke waarheid waarop de meeste onderzoeksopzet met wildcamera's neerkomt: spreiding, dichtheid en duur zijn geen drie onafhankelijke knoppen die je naar smaak afstelt. Ze vloeien alle voort uit één beslissing die je neemt voordat er ook maar één camera de auto verlaat — wat wil je precies schatten? Soortenrijkdom, occupancy, relatieve abundantie en dichtheid vragen elk om een ander netwerk, een ander aantal stations en een andere uitroltijd, en een opzet die uitstekend is voor het ene kan geruisloos nutteloos zijn voor het andere.

Dat klinkt vanzelfsprekend. Dat is het duidelijk niet. Toen Burton en collega's 266 wildcamerastudies overzagen die tussen 2008 en 2013 waren gepubliceerd, gebruikte 40,2% helemaal geen op waarschijnlijkheid gebaseerd bemonsteringsontwerp, maar leunde op opportunistische of gerichte plaatsing, en gaf nog eens 21,4% vrijwel geen details over de opzet van de bemonstering. Minder dan een derde noemde expliciet de aannames van ruimtelijke en temporele onafhankelijkheid waarvan hun analyses afhingen. De camera's werkten prima. De opzetten konden in veel gevallen de gevolgtrekkingen die de auteurs eruit trokken niet dragen.

Dus voordat we bij de getallen komen — en er staan hieronder goede, specifieke getallen — is het zaak de volgorde van handelen te verinnerlijken. Kies de vraag. Laat de vraag de spreiding bepalen ten opzichte van het leefgebied van de doelsoort. Laat spreiding en de gewenste precisie het aantal stations bepalen. Laat de detecteerbaarheid de duur bepalen. Al het overige is logistiek. Krijg de volgorde verkeerd en geen enkele hoeveelheid veldinspanning zal je redden.

Begin bij de vraag, niet bij de camera

De nuttigste kadering in de literatuur is dat een cameradetectie het product is van twee processen: hoeveel dieren er zijn, en hoe waarschijnlijk het is dat elk daarvan wordt gefotografeerd. Elke ontwerpkeuze is eigenlijk een keuze over hoe je dat tweede proces behandelt — detectie. Wat de analytische methoden scheidt, is wat ze aannemen, en dus wat ze van je netwerk eisen.

Een korte rondgang langs de vier gangbare doelen, want de rest van dit artikel blijft ernaar terugverwijzen:

• Soorteninventaris / rijkdom — “wat leeft hier?” Elke soort moet een detectiekans groter dan nul hebben, wat vooral betekent: brede ruimtelijke dekking en aselecte plaatsing, geen intensiteit op één plek.
• Occupancy — “welk aandeel van de locaties gebruikt een soort?” Het occupancy-kader modelleert onvolmaakte detectie expliciet via herhaalde bezoeken, dus het heeft genoeg locaties én genoeg onderzoeksgelegenheden per locatie nodig om de detectiekans vast te pinnen.
• Relatieve abundantie (RAI) — detecties per eenheid inspanning, gebruikt als index van abundantie. Goedkoop en alomtegenwoordig, maar het berust op de heldhaftige aanname dat de detecteerbaarheid constant is over de dingen die worden vergeleken. Dat is ze meestal niet.
• Dichtheid — dieren per oppervlakte-eenheid, de gouden standaard. Voor individueel herkenbare soorten (denk aan gevlekte katten) betekent dit ruimtelijke vangst-terugvangst (SCR/SECR); voor ongemarkeerde soorten is het model van willekeurige ontmoetingen (REM) de belangrijkste optie. Deze twee methoden willen tegenovergestelde dingen van je cameraspreiding, wat de allergrootste valkuil van het hele vakgebied is.

De GBIF-gids voor gegevenspublicatie maakt hetzelfde punt vanaf de andere kant: “wat wil je te weten komen over welke soortgroepen? Elk doel brengt zijn eigen kernkenmerken mee om te overwegen, zoals camerahoogte en -richting, seizoensgebondenheid, aasgebruik, kenmerken van de detectiezone”. Die kenmerken zijn geen optionele metadata. Ze zíjn de opzet.

Een overzicht voor de praktijk dat de tijd van een beginner waard is, kadert de plaatsing zelf als een menu — aselect, gestratificeerd, systematisch, adaptief en occupancy-achtige bemonstering, elk met eigen sterke punten. Dat is een prima mentaal geraamte. Maar zodra je echte coördinaten kiest, luidt de vraag niet langer “welk bemonsteringsarchetype klinkt goed” — maar “wat neemt mijn schatter aan, en voldoet deze indeling daaraan?”

Spreiding en onafhankelijkheid: gebonden aan het leefgebied, niet aan gewoonte

Cameraspreiding is waar goede voornemens sneuvelen, want de “juiste” spreiding slaat om afhankelijk van je doel — en de literatuur is het op plaatsen oprecht oneens, wat hier zal worden aangestipt.

Voor rijkdom, occupancy en RAI wil je doorgaans onafhankelijkheid. De vuistregel waar bijna iedereen naar grijpt, is 1–2 km tussen stations. Dat getal is niet heilig; het is een pragmatische plaatsvervanger voor “ver genoeg uit elkaar dat twee camera's niet dezelfde individuen bemonsteren.” De WWF-gids voor de beste praktijk is er botweg over dat het belang van strikte onafhankelijkheid “vaak wordt overdreven en weinig effect kan hebben op de statistische gevolgtrekking,” en merkt op dat de ruimtelijke klontering waarover je je zorgen zou maken zwak bleek in cameragegevens telkens als iemand ernaar keek. Kays en collega's vonden dat autocorrelatie tussen camera's geen probleem was voorbij ongeveer 25 m in tropisch bos — maar een subtropische struweelstudie vond haar nog bij 500 m. Dus de eerlijke versie: bind de spreiding aan de leefgebiedgrootte van je doelsoort, kies standaard voor ruwweg 1 km (en ten minste één leefgebieddiameter) als je die informatie mist, en onthoud dat je resterende afhankelijkheid statistisch kunt modelleren in plaats van haar weg te ontwerpen.

WildCAM's instelgids geeft de helderste versie van de afweging in gewone taal: als je occupancy van de grizzlybeer schat “en camera's te dicht bij elkaar worden geplaatst, kunnen detecties niet statistisch onafhankelijk zijn als er een kans is dat hetzelfde individu binnen korte tijd bij naburige cameralocaties wordt gedetecteerd,” dus voor wijd zwervende zoogdieren “wil je wellicht grote afstandsintervallen kiezen”.

Voor SCR/SECR-dichtheid wil je precies het tegenovergestelde — afhankelijkheid is juist de bedoeling. Deze modellen werken door te kijken hoe de vangstkans afneemt met de afstand tot het activiteitscentrum van een dier, dus elk individu moet bij meer dan één station worden gefotografeerd. De aanbeveling: plaats camera's niet verder dan 0,8 maal een gemiddelde leefgebiedstraal uit elkaar, en streef idealiter naar een derde van een leefgebiedstraal, wat neerkomt op ruwweg 4–7 camera's binnen elk leefgebied. Conventionele (niet-ruimtelijke) vangst-terugvangst is nog strenger over het niet overlaten van “gaten” waarin een heel leefgebied zich zou kunnen verbergen — Tobler en Powell verwoordden het treffend voor jaguars: “er zou geen gat tussen camera's mogen zijn waarin een heel leefgebied van een individu past”.

Hier wordt het interessant, en hier heeft het vakgebied zich nog niet volledig uitgekristalliseerd. Een SECR-studie naar de zwarte beer (via WildCAM's synthese) vond dat toen de valafstand werd vergroot, de dichtheidsschattingen nauwelijks bewogen — “het kan lonender zijn om vallen wijder te plaatsen om een groter gebied te bemonsteren,” omdat SECR veel robuuster is voor een kleiner aantal stations dan andere dichtheidsmethoden. Het toonaangevende SECR-overzicht komt tot dezelfde strategische conclusie: “de beste manier om de precisie vanuit ontwerpperspectief te vergroten lijkt te zijn via het vergroten van het aantal gevangen individuen,” het natuurlijkst bereikt door het onderzoeksgebied te vergroten. Dus voor SECR is er echte spanning tussen de leerboekspreiding “pak ze dicht op elkaar” en de praktische bevinding “spreid ze wijd om meer individuen te vangen.” De oplossing waar de meesten op uitkomen: de omvang van je raster ten opzichte van de leefgebiedgrootte telt ten minste zo zwaar als de afstand tussen vallen — wat de sneeuwpanterstudie hieronder genadeloos aantoont.

Voor REM is de spreiding volledig losgemaakt van de doelsoort, wat een van de beste eigenschappen ervan is. Omdat REM geen enkel individu tweemaal gefotografeerd hoeft te hebben, “wordt de cameraspreiding niet bepaald door de doelsoort,” en kan meer dan één soort in hetzelfde onderzoek worden gevolgd. Wat REM in plaats daarvan eist, is dat camera's willekeurig ten opzichte van de dierbeweging worden geplaatst — niet op paden, niet bij wroetplekken, nergens gekozen om ontmoetingscijfers op te blazen of te dempen. Schend dat en je vertekent het ontmoetingscijfer, en daarmee de dichtheidsschatting.

Cameraspreiding is waar goede voornemens sneuvelen, want de “juiste” spreiding slaat om afhankelijk van je doel.

Hoeveel stations? Dichtheid en aantal camera's

Er is geen universeel antwoord, maar er zijn goede streefwaarden per doel, en die zijn specifieker dan “meer is beter.”

Rijkdom. Het meest directe empirische bewijs komt uit de subbemonstering door Kays et al. van 2.225 uitrollen over 41 wereldwijde studiegebieden. Zij vonden dat 25–35 cameralocaties nodig waren voor nauwkeurige schattingen van soortenrijkdom, afhankelijk van de schaal van de studie — ongeveer 35 voor grootschalige rasters (≥1 km spreiding) en 25 voor kleinschalige (≤0,2 km) tropische locaties, waarbij zo weinig als 17–22 volstonden voor de minst soortenrijke kleinschalige gematigde gebieden. De WWF-gids is botter: voor rijkdom “lijkt het onwaarschijnlijk dat een behoorlijke steekproef kan worden verkregen met minder dan 20 locaties, en 50 locaties zouden een beter streefgetal kunnen zijn,” en als je stratificeert, heb je 20–50 locaties per stratum nodig. WildCAM's synthese echoot dit — onder de 20 camera's is “onhaalbaar voor onderzoek naar soortenrijkdom, met 50 locaties als beter streefgetal”.

Occupancy. Hier wordt het stationsaantal genadeloos gevoelig voor hoe algemeen je soort is. Kays et al. vonden de occupancy-precisie “sterk gevoelig voor het occupancy-niveau, met <20 cameralocaties nodig voor nauwkeurige schattingen van algemene (ψ>0,75) soorten, maar waarschijnlijk meer dan 150 cameralocaties nodig voor zeldzame (ψ<0,25) soorten”. Bijna de helft van één wereldwijde carnivoor-analyse die zij aanhalen had een occupancy onder 0,25 — precies de soorten die je het liefst wilt volgen, en precies degene die 100+ locaties vergen. De algemene aanbeveling van de WWF-gids: een minimum van 40 bemonsteringslocaties voor occupancy, oplopend tot 100+ als je covariaten toevoegt of een zeldzame soort najaagt. WildCAM maakt het concreet als: 30 locaties voor goed detecteerbare soorten (p ≥ 0,8), 30–60 voor veel soorten, en “ten minste 100 locaties” voor zeldzame soorten met lage dichtheid en detectiekansen onder 0,1.

De vraag één-versus-meerdere-camera's. Eén bevinding die mensen betrouwbaar verrast: meer camera's op elke locatie zetten kan even zwaar tellen als locaties toevoegen. O'Connor en collega's testten opstellingen met één, twee en vier camera's op 20 beboste locaties en vonden dat de vier-cameramethode 1,25 (53%) meer soorten per locatie detecteerde dan een enkele camera, de enige configuratie was die de grondbewonende gemeenschap volledig detecteerde, en het aantal locaties waar het witstaarthert werd geregistreerd ruwweg verdubbelde. De detectiekans voor het hert bij een enkele camera was slechts 0,179. Hun aanbeveling — “minimaal 2 wildcamera's per cameralocatie, gericht naar tegenovergestelde richtingen” — is een goedkope indekking tegen de valse negatieven die occupancy- en rijkdomgegevens verpesten.

SECR-dichtheid. Het toonaangevende overzicht vond een mediaan van 57,5 camerastations per studie per jaar (gemiddelde ~100, spreiding 12–849) over gepubliceerd SECR-werk. Voor jaguars specifiek concludeerden Tobler en Powell dat een minimum van 40–50 stations vereist is voor een betrouwbaar onderzoek, “en een groter aantal stations zou wenselijk zijn” — een drempel die WildCAM herhaalt als het “absolute minimum”. De reddende genade van SECR is robuustheid: het is “veel robuuster voor een kleiner aantal camerastations dan andere methoden voor dichtheidsschatting”.

REM-dichtheid. Simulatiewerk suggereert dat “ca. 60 cameralocaties bemonsterd zouden moeten worden om aanvaardbare precisie te bereiken (d.w.z. een variatiecoëfficiënt onder 0,20)”.

Om de afwegingen concreet te maken, hier hoe enkele van de protocolwaardige opzetten in de literatuur de camera's daadwerkelijk verdelen:

Merk op dat ForestGEO bewust camera's draait op een dichtheid die honderdvoudig hoger ligt dan TEAM — één val per 2 ha versus één per 2 km² — omdat ze verschillende vragen beantwoorden over verschillende gebieden (1 km² intensieve bosbemonstering versus 120 km² gemeenschapsmonitoring). Geen van beide is “juist.” Ze zijn afgestemd op hun doelen.

Gecoördineerde en burgerwetenschappelijke onderzoeken bevinden zich aan het uiterste einde van dit spectrum: SNAPSHOT USA 2021, een nationaal onderzoek met meerdere bijdragers, bundelde 109 wildcameranetwerken en 1.711 cameralocaties voor 71.519 valnachten, met een inspanning per netwerk variërend van 126 tot 3.355 nachten. De les voor wie zich bij zo'n netwerk aansluit, is dat consistentie tussen bijdragers — gestandaardiseerde hoogte, spreiding en duur — is wat al die individueel bescheiden netwerken überhaupt samen te analyseren maakt.

ForestGEO draait bewust camera's op een dichtheid die honderdvoudig hoger ligt dan TEAM, omdat ze verschillende vragen beantwoorden over verschillende gebieden. Geen van beide is “juist.” Ze zijn afgestemd op hun doelen.

Waarom de omvang van je raster zwaarder kan tellen dan de dichtheid

De sneeuwpanterstudie is de waarschuwende vertelling die elke dichtheidsonderzoeker aan de muur zou moeten houden. Hetzelfde team onderzocht hetzelfde landschap op twee manieren: een compact netwerk (38 camera's, ~1 km spreiding, 253 km² omvang, 15 camera's/100 km²) en een diffuus netwerk (44 camera's, ~5 km spreiding, 2.030 km² omvang — bijna een orde van grootte groter — met slechts 2 camera's/100 km²).

De schattingen verschilden niet alleen — de compacte opzet leverde een dichtheid van 0,12 dieren/100 km² op tegen de 0,534 van de diffuse opzet, ruwweg vijf maal hoger in de diffuse indeling. Erger nog: het compacte netwerk gaf ernstig verkeerd weer hoe de katten de ruimte werkelijk gebruikten, en blies de bewegingsparameter σ̂ op tot 12,23 tegen 3,27 in de diffuse opzet. De les die de auteurs trekken, is dezelfde die Tobler en Powell voor jaguars trokken en het toonaangevende overzicht over soorten heen trok: “het bemonsteren van een klein gebied dat ongeveer de omvang heeft van één enkel leefgebied is onderhevig aan vertekeningen die voortvloeien uit zeer weinig individuen in het landschap met zeer lage ontmoetingskansen”. Voor dichtheidswerk kan een raster dat krap en klein is veel slechter zijn dan een dat schaars en groot is. Dek genoeg gebied om genoeg individuen bloot te leggen — dat, meer dan camera's dicht opeen pakken, is wat je een verdedigbare schatting oplevert.

Voor dichtheidswerk kan een raster dat krap en klein is veel slechter zijn dan een dat schaars en groot is.

Duur: hoe lang je elke camera laat staan, en hoe lang je het onderzoek draait

Er tikken twee verschillende klokken, en mensen halen ze door elkaar. De ene is hoe lang een enkele camera op één plek moet staan. De andere is de totale onderzoeksduur / het totaal aantal valnachten. Beide hebben goede empirische ankers.

Duur per camera. De subbemonstering van Kays et al. geeft de helderste leidraad die iemand heeft: een camera 2 weken laten draaien was het efficiëntst voor het detecteren van nieuwe soorten, maar 3–4 weken waren nodig voor nauwkeurige schattingen van het lokale detectiecijfer, “zonder precisiewinst na 1 maand”. Hun kernaanbeveling — “laat elke camera 3–5 weken draaien over 40–60 locaties per netwerk” — is inmiddels de facto standaard voor gemeenschapsstudies. De intensieve tweejarige studie van Si et al. op één Chinees perceel voegt een aanvullende regel toe: nieuwe soorten stapelen zich snel op gedurende de eerste ~40 dagen op een locatie, daarna valt het tempo als een baksteen, dus zij stellen voor camera's “ongeveer eens per 40 dagen” te roteren of na ongeveer 20 onafhankelijke foto's.

Locaties versus sessies — het terugkerende oordeel. Wanneer camera's beperkt zijn (dat zijn ze altijd), moet je dan meer locaties korter bemonsteren, of minder locaties langer? Voor rijkdom en relatieve abundantie is het antwoord consistent over studies heen: spreid. Si et al. vonden dat, bij hetzelfde totaal aantal cameradagen, “het beter was om camera's over meer locaties voor kortere tijd op elke locatie in te zetten, dan camera's op dezelfde locatie te laten” — bij 1.000 cameradagen detecteerden drie locaties 80% van de soorten terwijl 19 locaties 90% detecteerden. Kays et al. komen tot dezelfde conclusie, en de WWF-gids stelt het als beleid: “bemonster meer locaties voor een kortere periode, in plaats van slechts een paar locaties voor een zeer lange periode”. (Occupancy is de gedeeltelijke uitzondering — voor een zeldzame, verspreid voorkomende soort is het nog steeds beter camera's te verplaatsen en meer locaties te bemonsteren, maar voor een algemene of een zeer slecht detecteerbare soort kan minder locaties langer bemonsteren feitelijk efficiënter zijn.)

Totaal aantal valnachten. Vermenigvuldig de streefwaarden en je krijgt een ondergrens. De rekensom van de WWF-gids — 20–50 locaties × 30 valnachten elk — geeft 600 tot 1.500 valnachten voor een rijkdom-/diversiteitsstudie, met de algemene aanbeveling dat “diversiteitsstudies ten minste 1.000 valnachten zouden moeten zijn”. De rarefactie van Si et al. legde het minimum op 931 cameradagen om 90% van de algemene soorten te detecteren op hun locatie, met ongeveer 8.700 cameradagen nodig om alle 10 residente soorten te detecteren — een schrijnende illustratie van hoe de lange staart van zeldzame soorten de inspanning doet exploderen. Burtons overzicht vond dat de mediane inspanning in de praktijk 2.055 valdagen was, maar merkte op dat bijna een derde (28,9%) van de studies minder dan 1.000 totale valdagen had, “wat waarschijnlijk onvoldoende is om zeldzame soorten te detecteren”.

Voor dichtheidswerk gaat de lat omhoog. Voor relatieve abundantie en REM zou een index moeten berusten op meer dan 10, idealiter meer dan 20, vangsten — en “voor dichtheden die typisch zijn voor veel carnivoren (en de zeldzaamste hoefdieren) zijn ten minste 2.000 valnachten nodig om 20 vangsten te verkrijgen”. Het SECR-benchmarkoverzicht vond een mediaan van 3.124 cameradagen per jaar, waarbij 71,6% van de studies een jaar of minder draaide. Jaguar-onderzoeken lopen, vanwege de aanname van geslotenheid, over een slap koord: kort genoeg om aan te nemen dat de populatie niet is veranderd, lang genoeg om gegevens te verzamelen, met Tobler en Powell die een minimum van 60 dagen, vaak 90 of zelfs 120 aanbevelen — en het gangbare venster van 30 dagen expliciet verwerpen als te onnauwkeurig.

Eén ontnuchterende benchmark over de vraag of al die inspanning zich werkelijk uitbetaalt: over SECR-studies heen was de mediane variatiecoëfficiënt 30%, en “75,6% van de studies rapporteerde een CV van ≤40%, maar slechts 21% van de studies rapporteerde een CV ≤20%”. De meeste dichtheidsonderzoeken zijn niet zo nauwkeurig als hun auteurs zouden wensen. En slechts 10,5% ervan draaide enige simulatie voor het veldwerk om daarachter te komen.

De meeste dichtheidsonderzoeken zijn niet zo nauwkeurig als hun auteurs zouden wensen. En slechts 10,5% ervan draaide enige simulatie voor het veldwerk om daarachter te komen.

Detectiekans is de verborgen variabele achter alles

Als er één parameter is die spreiding, dichtheid en duur stilzwijgend bestuurt, dan is het de detectiekans — de kans dat je een soort fotografeert gegeven dat ze aanwezig is. Krijg die te laag en je modellen verliezen niet alleen precisie, ze breken.

De drempel om te onthouden: detectiekansen onder 0,2 “leiden vaak tot aanzienlijke vertekeningen en convergentieproblemen, zelfs in de eenvoudigste modellen met één toestand”. En de methoden waarnaar je zou grijpen om rijkere ecologie te vatten, maken het probleem erger — multitoestand-occupancy-modellen “vereisen hogere detectiekansen dan de modellen met één toestand,” en “het aantal benodigde locaties was aanzienlijk hoger voor multitoestandmodellen”. De manier waarop detectie en inspanning tegen elkaar inruilen is wetmatig: “de minimaal benodigde detectiekansen daalden naarmate het aantal onderzoeken toenam voor alle modellen”. Met andere woorden: je kunt je met meer onderzoeksgelegenheden uit een lage detectie kopen — tot op zekere hoogte.

Dit is ook waarom de zevendaagse gelegenheid zo gangbaar is: Kays et al. definieerden de detectiekans als “de kans om een aanwezige soort te detecteren gedurende een periode van zeven dagen op een cameralocatie,” waarbij dagelijkse gegevens worden geaggregeerd tot weekvensters zodat zelfs spaarzaam gedetecteerde soorten bruikbare detectiegeschiedenissen opleveren. Het bundelen van detecties tot gelegenheden van meerdere dagen is een legitieme, kosteloze hefboom voor het optillen van de detectiekans en het verbeteren van de modelaanpassing. Meer camera's per locatie inzetten is dat ook. Beide verhogen de detectie zonder de schendingen van aannames die aas en het richten op paden introduceren — wat ons bij het werkelijk omstreden deel van de onderzoeksopzet brengt.

Plaatsingsstrategie en doelsoort: de echte splitsing op de weg

Waar je de camera op richt — op een wildpad of op een willekeurig punt — is de beslissing die het vakgebied splijt, want ze ruilt vertekening tegen datavolume, en verschillende soorten zitten aan verschillende kanten van die afweging.

Het bewijs dat plaatsing je gegevens vertekent is overweldigend en consistent. In Virginia draaiden Kolowski en Forrester gepaarde camera's en vonden dat de detectiekans 11–33% steeg voor vijf soorten op wildpaden versus willekeurige locaties, en 24,9–38,2% voor knaagdieren bij boomstamkenmerken; in het extreemste geval registreerde een categorie “muis” 65 vangstgebeurtenissen bij boomstammen tegen slechts één enkele vangst op willekeurige locaties. De vangstcijfers liepen 1,7 tot 9,67 maal hoger bij op kenmerken gebaseerde camera's. In Italië zetten Greco et al. 60 camera's per strategie in en registreerden een gemiddelde van acht soorten op het padennetwerk versus vier buiten de paden, waarbij wolf en wilde kat elk slechts vijf gebeurtenissen buiten de paden opleverden tegen 242 en 80 op paden — en 6 maal meer gegevens in totaal op paden. Acht van de 11 geteste soorten vertoonden hogere detectie en occupancy op paden.

Dus paden winnen, toch? Niet voor gemeenschapswerk, en hier is de vertekening die ze binnensmokkelen: de samenstelling verschuift. In de Italiaanse studie vormden wilde hoefdieren 49% van de relatieve abundantie buiten de paden, maar slechts 28% op de paden, terwijl carnivoren omsloegen van 32% buiten de paden naar 56% op de paden. Je krijgt op paden niet alleen meer gegevens — je krijgt een anders gevormde gemeenschap, met een zwaarder gewicht voor de soorten die van paden houden. Cusack et al.'s gepaarde savanne-experiment in Tanzania pint vast welke: carnivoren werden significant vaker gevangen bij padplaatsingen in het droge seizoen, en grotere soorten in het natte seizoen. Hun geruststellende bevinding voor rijkdomonderzoeken: “bij voldoende bemonsteringsinspanning (>1.400 valnachten) is het onwaarschijnlijk dat de plaatsingsstrategie de gevolgtrekkingen op gemeenschapsniveau beïnvloedt” — maar onder die inspanning, en voor specifieke trofische groepen, doet ze dat wel degelijk.

Hier wijzen twee gezaghebbende bronnen in tegenovergestelde richtingen, en je moet begrijpen waarom voordat je kiest. Voor gemeenschap, occupancy en REM-werk is de leidraad nadrukkelijk dat aselecte plaatsing essentieel is — niet-aselecte plaatsing “schendt een kernprincipe van de bemonsteringstheorie: de aselecte keuze van bemonsteringseenheden,” loopt het risico hele habitats en soorten te missen, en vertekent de relatieve abundantie richting padgebruikers. Maar voor SECR-dichtheid van een gemarkeerde, schuwe soort bevelen Tobler en Powell het omgekeerde aan — plaats camera's “op goed gevestigde paden en bosbouwwegen die vaak door jaguars worden gebruikt,” omdat “camera's die willekeurig in het landschap worden geplaatst een zeer lage vangstkans voor jaguars hebben en slechte gegevens zullen opleveren”. De verzoening is geen compromis; het is opnieuw de vraag. Of je schatter een onvertekende steekproef van de gemeenschap nodig heeft (willekeurig) versus genoeg herhaalde vangsten van één cryptisch individu om een ruimtelijk model aan te passen (pad), de “juiste” plaatsing verschilt oprecht — en als je pad- en niet-padcamera's mengt, registreer je plaatsing als covariaat zodat het model het kan verantwoorden.

De diepste les is dat soorten niet uniform reageren op iets van dit alles. Zelfs soorten van vergelijkbare grootte en nauw verwant reageren verschillend op dezelfde ontwerpkeuzes, wat de reden is dat sommige auteurs betogen dat monitoringprogramma's een “mix van strategieën voor de onderzoeksopzet” zouden moeten inzetten in plaats van één gestandaardiseerde aanpak wanneer ze om een diverse gemeenschap geven. (De pagina van dat artikel werd door een bot geblokkeerd toen het bronbestand werd vastgelegd, dus dit weerspiegelt de registratie ervan in het onderzoekspakket in plaats van tekst die ik rechtstreeks kon lezen.) De praktische zet wanneer je één netwerk en meerdere doelsoorten hebt: ontwerp voor de moeilijkste — de zeldzaamste, laagst detecteerbare, wijdst zwervende soort bepaalt je spreiding en inspanning, en de makkelijkere soorten liften mee.

Je krijgt op paden niet alleen meer gegevens — je krijgt een anders gevormde gemeenschap, met een zwaarder gewicht voor de soorten die van paden houden.

Aas en lokmiddelen: een verleidelijke hefboom met een angel

Lokmiddelen verhogen de detectie, punt. De vraag is wat ze je kosten. In een test met 844 stations verspreid over Alberta leverde een geurlokmiddel een sterk positief effect op roofdieren in het algemeen (β = 0,75) en een zeer sterk effect op de vismarter (β = 2,23) — maar geen effect op de wolf (β = -0,01, p = 0,973) en geen op prooisoorten of hoefdieren. Dat is de valkuil: het lokmiddel helpt sommige soorten, negeert andere, en zo “kan het onbekende vertekening introduceren in gevolgtrekkingen over meerdere soorten,” wat betekent dat multisoortenonderzoeken “rekening moeten houden met het wisselende effect van geurlokmiddelen”.

Het protocolwaardige oordeel weerspiegelt dat. De WWF-gids stelt onomwonden dat “het gebruik van lokmiddelen (aas en geurmiddelen) niet wordt aanbevolen in formele wildcameraonderzoeken, tenzij er zeer dwingende redenen zijn om ze te gebruiken en het mogelijk is voor hun effecten te corrigeren”. TEAM gebruikt helemaal geen aas. De nuance vanuit de occupancy-simulatiekant: aas en het richten op paden worden wijd gebruikt om de detectie boven die gevaarlijke ondergrens van 0,2 te duwen, en de winst in modelprestatie zou de vertekening waard kunnen zijn — maar gegevensaggregatie en meerdere camera's per locatie bereiken dezelfde optilling “zonder noodzakelijkerwijs de modelaannames te schenden,” dus grijp eerst naar die. Als je wel aas gebruikt, standaardiseer het meedogenloos en registreer het als metadata zodat het gemodelleerd kan worden, niet genegeerd.

De valkuilen die datasets werkelijk ruïneren

Om de draden samen te trekken, hier waar onderzoeksopzet met wildcamera's het vaakst misgaat — en elk hiervan is een ontwerpbeslissing, geen veldongeluk:

• Geen op waarschijnlijkheid gebaseerd ontwerp. De 40,2% van de studies die camera's opportunistisch plaatsen, kan niet generaliseren voorbij de exacte plekken die ze bemonsterden. Kies aselect, of stratificeer en kies aselect binnen strata.
• Te weinig inspanning voor zeldzame soorten. Onder 1.000 valnachten is waarschijnlijk onvoldoende om de zeldzame soorten te detecteren die het meest tellen, en zeldzame soorten met lage occupancy kunnen 100–150+ locaties nodig hebben.
• Een raster te klein voor het leefgebied. Voor dichtheid draagt een camerapolygoon kleiner dan ~één leefgebied een positieve vertekening voor elke geteste methode.
• Eén camera per locatie als voldoende behandelen. Enkele camera's missen detecties die het verdubbelen naar twee tegenover elkaar gerichte camera's zou vangen, wat occupancy en rijkdom vertekent.
• Seizoensgebondenheid negeren. Kays et al. vonden dat 37–50% van de soorten significant fluctueerde in occupancy of detectie over het jaar, waarbij gematigde soorten in relatieve abundantie varieerden met een gemiddelde factor van 4–5 tussen seizoenen. Een momentopname van één seizoen is niet het jaar. Kies je venster bewust en vergelijk nooit over seizoenen heen zonder ervoor te corrigeren.
• Je “locatie” verwarren. Hetzelfde woord dekt de detectiezone van een camera én een rastercel van 10 km², en occupancy betekent iets anders op elke schaal. Definieer het.
• Niet eerst simuleren. Slechts ~10% van de SECR-studies draaide een power-analyse voor het veldwerk — de goedkoopste verzekering tegen een precisie-arm resultaat die er is.

Wat je ook gebruikt, documenteer de opzet zelf als gestructureerde metadata — camerahoogte en -richting, spreiding, duur, aas, kenmerken van de detectiezone — want een dataset waarvan de opzet niet is vastgelegd, kan niet opnieuw worden geanalyseerd of met die van iemand anders worden samengevoegd. Standaarden zoals Camtrap DP bestaan juist opdat de onderzoeksopzet deel wordt van de gegevens, en niet verloren institutioneel geheugen. Wil je dieper ingaan op één beslissing, dan blijft de WWF-gids voor de beste praktijk de meest complete referentie, en het artikel van Kays et al. is de empirische ruggengraat voor de getallen “hoeveel, hoe lang”.

Veelgestelde vragen