Dierdichtheid schatten met wildcamera's zonder dieren te markeren

Een camera die duizend keer afgaat, zegt bijna niets over hoeveel dieren ervoor leven. Het kunnen duizend verschillende reeën zijn die één keer passeren, of één brutale vos die ontdekte dat de lens een bevredigend kauwspeeltje is. Die dubbelzinnigheid — veel mobiele individuen tegenover één druk aanwezige bewoner — is precies het probleem. Daarom is een ruw “vangstcijfer” nooit een betrouwbare munt geweest, en daarom betekende dichtheidsschatting met wildcamera's decennialang tijgers, luipaarden en niet veel meer: er waren individueel herkenbare vachten nodig om vangst-terugvangst toe te passen.

De meeste soorten hebben geen strepen. Een vos is een vos. Dus groeide er een familie methoden om iets te doen dat bijna te slim klinkt — de absolute dichtheid schatten, dieren per vierkante kilometer, uit ongemarkeerde dieren die niet uit elkaar te houden zijn. Dit is de gids bij die familie: het Random Encounter Model (model van willekeurige ontmoetingen, REM) en zijn afstammelingen, wat elk daarvan werkelijk vereist, en de specifieke manieren waarop elk zal liegen als er niet goed wordt opgelet. Geen ervan is magie, en — dit is van belang — geen ervan is het universele antwoord. De eerlijke stand van het vakgebied is een reeks afwegingen, geen winnaar.

Wie onze stukken heeft gelezen over of over, vindt hier de analytische laag die eronder ligt: de camera's staan opgesteld, de detecties zijn er, en nu is een getal met een eenheid erachter gewenst.

Waarom “gewoon de foto's tellen” nooit kon werken

Twee dingen breken de naïeve aanpak. Ten eerste het al genoemde probleem van individuele identiteit: detecties zijn niet netjes te herleiden tot dieren. Ten tweede, en subtieler, vervaagt de beweging van dieren de bemonsterde oppervlakte. Een camera bemonstert een stuk terrein, maar hoe groot is dat stuk? Dat hangt af van hoe ver de dieren die je wilt tellen doorgaans zwerven, en dat is meestal onbekend. Zonder gedefinieerde bemonsterde oppervlakte heeft een abundantieschatting geen noemer — geen duidelijke ruimte waarnaar ze verwijst.

Het vakgebied splitst zich dus, in wezen, naar hoe elke methode dat ruimteprobleem aanpakt. Sommige schatten de abundantie bij een camera zonder enige ruimtelijke referentie en laten je die achteraf aan een oppervlakte toewijzen. Sommige bouwen de oppervlakte expliciet in het model in. En sommige — die waarop deze gids leunt — schatten de dichtheid rechtstreeks binnen het gezamenlijke gezichtsveld van de camera's en nemen aan dat dat gezichtsveld het ruimere landschap vertegenwoordigt. Die laatste aanname, “de camera's zien een representatieve steekproef”, doet enorm veel werk, en juist daarom blijkt discipline in de plaatsing belangrijker dan welke modelleringskeuze dan ook.

Hier is een getal dat de kijk op deze hele onderneming zou moeten bijstellen. Een overzicht van 927 wildcamerastudies gepubliceerd tussen 2014 en 2019 vond dat slechts ongeveer 5,5% überhaupt een methode voor abundantieschatting gebruikte. De overgrote meerderheid viel terug op relatieve-abundantie-indices, occupancy of gedrag. De methoden hieronder zijn niet de platgetreden standaard. Ze vormen een grensgebied, en ze belonen wie hun aannames begrijpt in plaats van ze als een zwarte doos te behandelen.

Een camera die duizend keer afgaat, zegt bijna niets over hoeveel dieren ervoor leven.

Het Random Encounter Model: dieren als gasdeeltjes

REM is de grondlegger, en zijn centrale idee is prachtig ontleend aan de negentiende-eeuwse natuurkunde. Natuurkundigen modelleerden hoe vaak gasmoleculen botsen. Rowcliffe en collega's beseften dat dieren die de detectiezone van een camera binnenlopen hetzelfde soort proces zijn. Behandel dieren als ideaalgasdeeltjes die willekeurig door de ruimte bewegen, en de snelheid waarmee ze een camera in werking stellen wordt een voorspelbare functie van hoeveel er zijn, hoe snel ze bewegen en hoe groot de detectiezone is.

In de praktijk betekent dat dat REM het vangstcijfer opschaalt naar dichtheid met vier ingrediënten: de gemiddelde groepsgrootte en het dagbereik (hoe ver een dier op een dag reist) aan de biologische kant, en de straal en hoek van de detectiezone van de camera aan de hardwarekant. Verkrijg onvertekende schattingen daarvan, plaats de camera's zonder vertekening, en de foto's geven de dichtheid.

De oorspronkelijke veldproef is leerzaam juist door de plek waar hij faalde. In een omheind Engels wildpark met bekende aantallen trof REM drie van de vier soorten tot binnen 22% van het werkelijke aantal. De vierde — een klein buideldier, de mara — kwam 86% te laag uit. De oorzaak was niet het model. Het was dat ongeveer 90% van de mara's graasde op open gazons waar de onderzoekers bewust geen camera's hadden geplaatst, om geen bezoekers te fotograferen. De les weerklonk sindsdien in elk artikel: op het moment dat je de cameraplaatsing laat samenvallen met waar de dieren zijn, breekt REM. Richt je niet op paden, sporen, drinkplaatsen of aas om je vangstcijfer op te krikken — dat schendt het waarnemingsmodel en “kan geen onvertekende dichtheidsschattingen opleveren”.

De tweede terugkerende hoofdpijn is het dagbereik. Zonder vertekening weten hoe ver je studiedieren per dag reizen is werkelijk lastig. Allometrische kortere wegen (het dagbereik schatten uit lichaamsgrootte) “introduceren grote vertekening en zouden met voorzichtigheid gebruikt moeten worden”. Je kunt het uit gps-halsbanden halen, maar een studie naar de zwarte beer maakte de faalwijze aanschouwelijk: halsbandfixaties genomen op lange intervallen onderschatten hoe ver een dier werkelijk bewoog, wat op zijn beurt de dichtheid overschat — en de vertekening bijt harder bij traag bewegende soorten. In diezelfde studie leverde REM een geloofwaardige dichtheid voor de zwarte beer die niet significant verschilde van een op DNA gebaseerde referentie uit ruimtelijke vangst-terugvangst, maar alleen zodra de snelheidsinvoer zorgvuldig werd behandeld. De adder onder het gras is bijna filosofisch: als je dure halsbandgegevens nodig hebt om REM te voeden, ben je het goedkope en niet-invasieve voordeel kwijt dat REM in de eerste plaats aantrekkelijk maakte.

Pas REM toe op een soort die zich niet als een gasdeeltje gedraagt en de spanning wordt meteen zichtbaar. Leeuwinnen in de Serengeti soezen hun dagen door onder alleenstaande bomen — en alleenstaande bomen zijn precies waar je een camera zou zetten. Elk REM-model in die studie overschatte de dichtheid van leeuwen; de analyse beperken tot nachtfoto's, wanneer leeuwen daadwerkelijk bewegen, verminderde de vertekening aanzienlijk. Dat is het terugkerende REM-vakmanschap: vind de tijden en plaatsen waar je dieren willekeurig ten opzichte van de camera's bewegen, en leun daarop.

Op het moment dat je de cameraplaatsing laat samenvallen met waar de dieren zijn, breekt het Random Encounter Model.

Afstandsbemonstering voor camera's (CT-DS): leen een 50 jaar oude gereedschapskist

Afstandsbemonstering met wildcamera's zet in op iets anders. Afstandsbemonstering — meten hoe de detectie afneemt met de afstand tot een waarnemer — is een van de meest volgroeide, best onderbouwde kaders in het hele veld van faunaonderzoek, met decennia aan theorie, software en ontwerprichtlijnen erachter. Howe, Buckland en collega's pasten puntgebonden afstandsbemonstering aan zodat een camera de rol van de waarnemer speelt.

Het mechanisme is elegant. In plaats van de snelheid van dieren te schatten, registreert CT-DS de radiale afstand tot elk dier op vooraf bepaalde momentopnamen een paar seconden uit elkaar, en modelleert hoe de detectie afneemt met de afstand. Omdat de momentopnamen vaste kloktijden zijn, gekozen onafhankelijk van waar dieren zich toevallig bevinden, vertekent beweging de afstandsverdeling niet. Je erft het hele apparaat van de afstandsbemonstering — het programma Distance, de conventies voor modelkeuze, alles — en je hoeft nooit het dagbereik te schatten.

Wat CT-DS in ruil vraagt, is zekere detectie recht voor de camera (afstand nul). Kleine dieren die onder het gezichtsveld door glippen, halve lichamen die niet te identificeren zijn, of een trage sluiter schenden dat allemaal — en de oplossing is links afkappen: de afstanden dicht bij de camera weggooien waar de detectie niet zeker is. De methode kan bovendien alleen dieren tellen die beschikbaar zijn om gezien te worden: een soort die de helft van de tijd ondergronds of in de boomkruinen doorbrengt, leest als de helft van haar werkelijke dichtheid, tenzij je voor die onbeschikbare tijd corrigeert.

CT-DS blinkt uit op grote schaal en over veel soorten tegelijk. In een onderzoek in het nationaal park Salonga in de Democratische Republiek Congo — 160 camera's verspreid over 17.000 vierkante kilometer — leverde één CT-DS-uitrol dichtheidsschattingen op voor 14 soorten tegelijk, van een olifantspitsmuis van 200 gram tot bosolifanten, met inbegrip van de allereerste dichtheidscijfers voor de Congopauw en het reuzenschubdier. Dat multisoortenbereik is iets wat REST en TIFC moeilijk kunnen evenaren.

Maar Salonga legde ook de gemeenste faalwijze van CT-DS bloot: dieren die op de camera reageren. Bosolifanten vonden de camera's fascinerend en bleven ervoor hangen, snuffelend en onderzoekend. Die reactieve waarnemingen meetellen deed de dichtheid van olifanten met tot twee ordes van grootte oplopen. Bonobo's deden het omgekeerde — argwanend op afstand blijvend — wat hun dichtheid met ongeveer 15% opblies. De aanbevolen verweren zijn de camera's een maand van tevoren uitzetten zodat dieren wennen, of voor de ergste boosdoeners een methode verkiezen die minder gevoelig is voor reactiviteit.

Er is ook een stillere CT-DS-valkuil die het waard is te kennen, omdat hij makkelijk over het hoofd wordt gezien en de gevolgen groot zijn. CT-DS is ontworpen voor video. Pas je het toe op stilstaande beelden, dan is de camera blind tijdens zijn hersteltijd en tijdens perioden waarin een stilstaand dier hem niet opnieuw activeert. Trek je die dode intervallen niet af van je onderzoeksinspanning, dan kun je de dichtheid tot 96% onderschatten — omdat je de camera bemonsteringstijd hebt toegerekend die hij slapend doorbracht. Het gemiddelde dode interval in één Europese studie liep uiteen van 8 tot 15 seconden, afhankelijk van de soort, en dat telt snel op.

REST: ruil snelheid in voor verblijftijd

Het Random Encounter and Staying Time-model is de slimme Japanse neef van REM. Het behoudt de ontmoetingslogica van REM, maar wisselt de parameter die iedereen haat — het dagbereik — in voor eentje die je rechtstreeks van de beelden kunt aflezen: de verblijftijd, hoe lang een dier verblijft in een kleine, vooraf bepaalde brandpuntszone waarin je zeker bent dat de detectie zeker is. Omdat de verblijftijd omgekeerd evenredig is met de snelheid, draagt hij dezelfde informatie zonder dat je ooit iets van een halsband hoeft te voorzien.

REST heeft een eigenschap die het waard is even bij stil te staan: in simulaties bleef het onvertekend, zelfs wanneer individuele dieren met verschillende snelheden bewogen en zelfs wanneer ze in paren reisden. Die robuustheid is echt en waardevol. Maar REST komt met een berucht expliciet strafblad — de auteurs sommen ronduit zeven aannames op. Twee daarvan veroorzaken de meeste problemen in het veld. Ten eerste, als dieren niet synchroon actief zijn — sommige slapend terwijl andere foerageren — dan onderschat REST de dichtheid. Ten tweede levert een dier dat gaat liggen en rust binnen de brandpuntszone een buitensporig lange verblijftijd op die het gemiddelde omhoogtrekt en de dichtheid overschat; de oplossing is die uitschieters weg te gooien en je inspanning te corrigeren met de fractie van de dag waarin dieren werkelijk actief zijn.

De praktische opzet is pietluttiger dan die van REM. Je definieert een brandpuntsgebied — een gelijkzijdige driehoek werkt het best — meestal rond 1,9 meter per zijde, gecentreerd in het gezichtsveld, en je controleert of de detectie erbinnen werkelijk zeker is. Je laat de camera draaien met geen vertraging tussen activeringen (een vertraging blaast je inspanningsberekening op en vertekent de dichtheid naar beneden), met snelle sensoren en een royale batterij, idealiter video langer dan 15 seconden opnemend. Dan volgt het geploeter: een referentiebeeld van de lege brandpuntszone over elke dierenclip leggen om exact te meten hoe lang het erin was. De auteurs van de praktijkgids zijn verfrissend openhartig dat deze meting “arbeidsintensief is en in de kinderschoenen staat”.

De opbrengst was, in de enige rechtstreekse proef die alle grote methoden samen testte, de beste precisie en de laagste menselijke inspanning van de drie. De adder onder het gras is de keerzijde van die efficiëntie: omdat REST alleen dieren gebruikt die de kleine brandpuntsdriehoek doorkruisen, komt het te kort aan gegevens voor soorten met lage dichtheid — precies de situaties waarin je het meest een getal wilt.

TIFC: de camera als quadraat

Time-in-front-of-camera (tijd voor de camera) drijft het idee van de verblijftijd tot zijn logische uiterste en maakt het daarmee misschien wel de meest praktijkvriendelijke van allemaal. Vergeet het scheiden van ontmoetingen en verblijftijden. Tel gewoon de totale tijd op die enig dier van je doelsoort in het gezichtsveld doorbracht gedurende de hele uitrol, deel door de bemonsterde oppervlakte en de totale bedrijfstijd, en je hebt de dichtheid.

De reden dat dit werkt, is werkelijk bevredigend. De cumulatieve tijd in beeld is invariant voor hoe snel dieren bewegen en hoe groot hun leefgebieden zijn. Verdubbel de snelheid van een dier en het brengt bij elke passage half zo lang in beeld door — maar het passeert twee keer zo vaak. Verdubbel de omvang van het leefgebied en het dier bezoekt een gegeven camera half zo vaak — maar er zijn twee keer zoveel dieren wier leefgebieden die camera overlappen. De boekhouding heft elkaar op, en laat je een maat na die geen bewegingssnelheid, geen groepsgrootte en helemaal geen invoer over het leefgebied nodig heeft. Daarom is het op enorme schaal ingezet: bijna 3.000 camera's verspreid over Alberta gedurende zes jaar.

De aannames van TIFC behoren tot dezelfde familie als de rest — representatieve plaatsing, geen door de camera veroorzaakte gedragsverandering, betrouwbare detectie dicht bij de camera — maar zijn kenmerkende zwakte is die welke alle verblijftijdmethoden delen, en TIFC voelt haar scherp omdat het elke seconde telt: dieren die blijven hangen, blazen de schatting op. Een recente studie naar hoefdieren spelde precies uit hoe dit per soort uitpakt, en het is de duidelijkste waarschuwende vertelling in de literatuur. Vergeleken met luchttellingen trof TIFC de eland raak (solitair, blijft niet treuzelen). Het kwam 19% te laag voor bizon uit, omdat de camera's de open graslanden die bizons verkiezen onvoldoende bemonsterden. En het draaide een verbluffende 116% te hoog voor wapiti, omdat de camera's op wildpaden stonden (waar wapiti's zich concentreren) en wapiti's telkens stopten om de lens te onderzoeken — beide factoren die de verblijftijd opbliezen. Correctiefactoren hielpen, maar de auteurs waarschuwen dat die factoren voor elk landschap opnieuw afgesteld moeten worden. De boodschap is niet “TIFC is slecht”. Het is dat dezelfde methode onvertekend, naar beneden vertekend en naar boven vertekend kan zijn voor drie soorten in dezelfde dataset, geheel door plaatsing en gedrag.

Dezelfde methode was onvertekend voor de eland, naar beneden vertekend voor de bizon en naar boven vertekend voor de wapiti — in één dataset, geheel door waar de camera's stonden en hoe de dieren zich gedroegen.

Time-to-event en space-to-event: de klok en de tussenpozen tellen

De nieuwste tak kwam van biologen die dachten als overlevingsanalisten. Als een camera gebeurtenissen continu registreert, dan draagt de tijd totdat het eerste dier verschijnt informatie over abundantie. Dat is het time-to-event-model (TTE, tijd tot gebeurtenis). Het probleem is dat TTE, net als REM, afhangt van een onafhankelijke bewegingsschatting en daarom gevoelig is voor bewegingssnelheid — in simulaties neigde het naar onderschatting, ernstig voor traag bewegende populaties.

Dus deed hetzelfde team iets vernuftigs: ze reduceerden elke bemonsteringsgelegenheid tot één enkel ogenblik. Als je alleen naar één bevroren moment kijkt, kan de beweging van dieren tijdens het interval je niet vertekenen. Dat is het space-to-event-model (STE, ruimte tot gebeurtenis), en zijn schattingen zijn volledig ongevoelig voor de bewegingssnelheid. STE gebruikt time-lapse-foto's — beelden die volgens een schema worden genomen in plaats van door bewegingsdetectie — en dat brengt een tweede, onderschat voordeel mee: het omzeilt het hele probleem van de wisselvallige detectie door de bewegingssensor, want een geplande opname bevat een dier of niet. Een verdere vereenvoudiging, momentane bemonstering (IS), telt simpelweg de dieren in elk time-lapse-beeld als een steekproef met vaste oppervlakte.

In een veldproef op overwinterende wapiti's leverde STE de beste precisie van de nieuwe methoden zonder ook maar enige bewegingsinvoer nodig te hebben, en kwam het dicht bij het totaal van een luchttelling uit. Deze methoden lossen ook stilletjes arbeidsproblemen op: TTE laat een beoordelaar stoppen met het doorlopen van beelden na de eerste detectie, en STE maakt het mogelijk de abundantie te schatten zonder te tellen hoeveel dieren op elke foto staan — een echte besparing, aangezien tellingen per foto traag en foutgevoelig zijn. De afweging is dat time-lapse geschikt is voor algemene soorten; voor werkelijk zeldzame dieren zullen geplande beelden meestal leeg zijn. En alle drie nemen aan dat dieren ongeveer willekeurig (Poisson) rond elke camera zijn verdeeld, wat wringt bij hecht sociale of territoriale soorten.

Bevries de steekproef tot één enkel ogenblik en de snelheid van dieren kan je niet meer misleiden — die ene truc scheidt space-to-event van alles wat moet weten hoe snel dieren bewegen.

Welke moet je dan gebruiken?

Hier verdient de literatuur haar loon, want eindelijk zette iemand de methoden naast elkaar in plaats van er één te bepleiten. Palencia en collega's legden REM, REST en CT-DS langs dezelfde zes populaties edelhert, wild zwijn en vos. Het geruststellende resultaat: in vijf van de zes populaties leverden de drie methoden geen statistisch significant verschil in dichtheid op, en een vergelijkbare precisie. Ze verschillen niet wild van mening.

Maar de nuance zit in de verschillen. REM neigde ertoe hoger te lezen dan REST en CT-DS (die, zo tonen de auteurs, wiskundig gelijkwaardig zijn). Op precisie en inspanning kwam REST als beste uit — laagste variatiecoëfficiënt, minste beeldverwerkingstijd — terwijl CT-DS de meeste analyse vergde. Dat leverde de meest citeerbare vuistregel van het vakgebied op:

Behandel die tabel als vertrekpunt, niet als eindoordeel. De diepere leidraad uit de overzichtsliteratuur is te kiezen op basis van drie dingen: de natuurlijke historie van je doelsoort (treuzelt ze? reist ze in kudden? klimt ze in bomen?), een zorgvuldig gedefinieerd bemonsteringskader, en welke gegevensverzameling voor jou werkelijk haalbaar is. Een methode die theoretisch de beste is maar die je niet zuiver kunt uitvoeren, verliest het van een eenvoudiger methode die je wel kunt uitvoeren.

En houd de validatiestudies in het oog, want ze temperen het optimisme. Toen onderzoekers REM, CT-DS en TTE toetsten aan de waarheid van ruimtelijke vangst-terugvangst over tien Neotropische soorten, waren de ongemarkeerde methoden accuraat maar minder precies voor matig algemene soorten zoals de ocelot — en faalden ze voor jaguars, de zeldzame soort, waar ze SECR niet konden evenaren. De onverbloemde conclusie: ongemarkeerde modellen zijn veelbelovend voor talrijke tot relatief zeldzame dieren, maar voor de werkelijk zeldzame wil je nog steeds markeringen. Het onderscheidend vermogen telt ook: de precisie halen die nodig is om een echte populatiedaling te detecteren, vergt vaak meer dan 100 cameralocaties, en voor zeldzame soorten is zelfs dat misschien niet genoeg.

Het contrast: ruimtelijke vangst-terugvangst, wanneer je individuen wél kunt onderscheiden

Het is de moeite waard helder te zijn over wat deze ongemarkeerde methoden proberen te omzeilen. Wanneer dieren wél individueel herkenbaar zijn — natuurlijke vachtpatronen, littekens of aangebrachte merktekens — is ruimtelijke vangst-terugvangst (SECR) de standaard, en doet ze iets wat de ongemarkeerde methoden niet kunnen: ze schat de effectief bemonsterde oppervlakte statistisch, uit het patroon van waar hetzelfde individu opnieuw wordt gedetecteerd. Dat is precies het noemerprobleem waar de ongemarkeerde familie zich met aannames omheen moet werken.

De reden dat SECR voor de meeste projecten niet het antwoord is, is simpelweg dat de meeste soorten bruikbare merktekens missen. Een overzicht van SECR-studies met wildcamera's vond een sterke vertekening naar grote katachtigen — de strepen-en-vlekkensoorten — omdat daar individuele identificatie haalbaar is, en voor veel van die soorten levert SECR de enige referentie-dichtheidsschattingen die bestaan. De twee werelden ontmoeten elkaar in de vergelijkingsstudies, en de vergelijkingen zijn bemoedigend: pas gemarkeerde SECR en ongemarkeerde CT-DS en REM toe op dezelfde populatie boommarters en ze belanden allemaal in dezelfde orde van grootte (puntschattingen van 0,49 tot 1,20 dieren per km²), vooral verschillend in precisie en kosten. CT-DS was in die specifieke wedstrijd zelfs de meest precieze methode. De ongemarkeerde methoden zijn geen povere vervanging van SECR — het zijn een legitiem gereedschap dat simpelweg wat precisie inruilt tegen niemand te hoeven herkennen.

De machinerie onder elke methode

Merk op wat in elke bovenstaande sectie bleef opduiken: de detectiezone en het activiteitsniveau. Deze twee stukken loodgieterswerk voeden bijna alle methoden, en ze verkeerd instellen corrumpeert stilletjes alles verderop.

De effectieve detectieafstand — hoe ver de camera dieren betrouwbaar waarneemt — is geen vaste eigenschap van de camera. Hij schaalt sterk met de lichaamsmassa (grotere, warmere dieren activeren de sensor van verder weg) en hij is korter in dichte vegetatie. In één dataset uit tropisch bos varieerde de effectieve detectieafstand bijna een factor drie tussen soorten, en was hij in het droge seizoen ongeveer 70% langer dan in het natte. De praktische gevolgen zijn scherp. Je kunt de detectieafstand van de ene soort niet hergebruiken voor een andere — de detectiezone van een huiskat gebruiken voor een boommarter onderschat de dichtheid van de marter, omdat de marter op een andere afstand wordt waargenomen. En een ogenschijnlijk verschil in habitatgebruik tussen twee locaties kan niets anders blijken dan een verschil in detectieafstand veroorzaakt door de vegetatie. De oplossing is goedkoop: plant afstandsmarkeringen in het gezichtsveld (minstens vijf intervallen) en pas een detectiefunctie aan op de markering die elk dier passeert. Zet camera's altijd uit met die markeringen, zodat je de vangstcijfers later kunt corrigeren.

Het activiteitsniveau — de fractie van de dag waarin dieren actief zijn — is de andere gedeelde correctie, gebruikt door REST, CT-DS en TIFC om detecties op de juiste tijdsbasis te zetten. Het rust op één aanname die een sceptische blik verdient: dat alle individuen actief zijn op de dagelijkse piek. Wanneer dat opgaat, werkt de methode; wanneer niet, overschat je de activiteit en dus onderschat je de dichtheid. En het gaat niet altijd op — grote roofdieren wier jachtcycli zich over dagen uitstrekken, of kleine zoogdieren in de zeer korte dagen van het diepe winterseizoen op hoge breedtegraden, kunnen het schenden. Dit is de enige draad die de faalwijzen bijeenbindt: een multisoortenstudie zei het onomwonden, REM, REST en CT-DS bevatten alle expliciet een activiteitsaanname, terwijl de time-to-event-methoden er een onuitgesproken dragen — dat dieren altijd beschikbaar zijn. Een controle met gepaarde camera's in dat werk vond dat 9% van de dieren in een verondersteld zeker-te-detecteren zone volledig werd gemist, wat ieders vertrouwen in “perfecte detectie op afstand nul” zou moeten temperen.

De detectiezone of het activiteitsniveau verkeerd instellen corrumpeert stilletjes elke dichtheidsschatting die erbovenop is gebouwd.

Het echt doen: praktische zaken in het veld en de software

Als je niets anders meeneemt uit het vergelijkings- en validatiewerk, neem dan deze twee onwrikbare punten mee, die elke methode deelt:

1. Plaats camera's willekeurig ten opzichte van de dierbeweging. Gebruik een willekeurig of systematisch ontwerp met willekeurige oorsprong. Een camera een paar meter verschuiven om een boom te bereiken is prima; bewust een pad, wroetplek, zoelplaats of aas kiezen is fataal voor een onvertekende schatting.
2. Gebruik hoogwaardige camera's. Snelle activering (ruim onder een seconde), betrouwbaar herstel, en ofwel video ofwel snelle beeldreeksen. Trage of grillige activeringen ondermijnen de aanname van “zekere detectie” in het hart van REM, REST, CT-DS en TTE alle vier.

Voor de inspanning is de botte rekensom ontnuchterend maar nuttig. De ontmoetingsfrequentie tussen camera's domineert de variantie, dus meer cameralocaties wint van langere uitrollen op minder locaties. Concrete CT-DS-doelen uit een grote studie naar inspanning versus precisie: een variatiecoëfficiënt rond 20% vergt ruwweg 100 bemonsteringsdagen op 50 locaties, of 100 tot 150 locaties voor een kortere studie; doordringen tot een CV van 10% kan meer dan 200 locaties vergen. Plan daarnaar, en wees eerlijk tegen jezelf voordat je begint over de vraag of je doelsoort überhaupt algemeen genoeg is om bruikbare precisie te halen.

Aan de softwarekant is het goede nieuws dat het gereedschap open is en verbetert. Dichtheidsschatting in R wordt goed ondersteund — er is een onderhouden stap-voor-stap-uitleg die REM, time-to-event en space-to-event, N-mixture en ongemarkeerde ruimtelijke vangst-terugvangst behandelt — en de activiteitscorrectie zit in het pakket `activity`, terwijl afstandsbemonstering het programma Distance achter zich heeft. Datzelfde op R gerichte hoofdstuk is verfrissend openhartig dat dichtheid schatten uit cameragegevens “niet makkelijk is, vaak niet precies” en meestal echt werk betekent — een gezonde houding om mee te dragen.

Het grensgebied is de automatisering, en die komt snel. Een halfautomatische CT-DS-werkstroom gebruikt nu een dieptemodel op basis van deep learning plus een automatische dierdetector om de waarnemingsafstanden rechtstreeks uit de foto's te meten, gekalibreerd met slechts twee referentiebeelden per camera. Die leverde dichtheidsschattingen op die statistisch niet te onderscheiden waren van moeizame handmatige meting, terwijl de tijd voor gegevensverwerking meer dan dertienvoudig kromp — weken aan afstandsannotatie ineenschrompelend tot een paar dagen. Ook multisoortenmethoden vorderen: een bayesiaanse uitbreiding van REM schat nu de dichtheid van een hele gemeenschap tegelijk, inclusief de zeldzaamste soorten, uitsluitend met informatie die uit de beelden zelf wordt gehaald.

De slotsom

Er is geen universele methode, en wie iets anders beweert, verkoopt iets. REM, CT-DS, REST, TIFC en de time-to-event-familie zijn allemaal legitiem, allemaal collegiaal getoetst, en allemaal in staat dichtheidsschattingen te leveren die standhouden tegen onafhankelijke tellingen — mits hun aannames worden gerespecteerd. Kies op grond van het gedrag van je soort en je gegevensrealiteit, niet op grond van welke methode de mooiste afleiding heeft. Respecteer willekeurige plaatsing boven alles. Meet je detectiezone. Controleer de activiteitsaanname. En dimensioneer je studie op de precisie die je werkelijk nodig hebt, wetend dat voor zeldzame soorten het antwoord nog steeds kan zijn “daar kom je niet zonder markeringen”. Met die heldere bescheidenheid gebruikt, veranderen camera's een stapel niet-toewijsbare foto's in een van de krachtigste, minst invasieve dichtheidsgereedschappen die de faunawetenschap heeft.

Veelgestelde vragen