Design av viltkameraundersøkelser: avstand, tetthet og varighet

Her er den ubehagelige sannheten som det meste av designarbeidet til en viltkameraundersøkelse koker ned til: avstand, tetthet og varighet er ikke tre uavhengige rattskruer du justerer etter smak. De henger alle på én beslutning du tar før et eneste kamera forlater bilen – hva er det egentlig du prøver å anslå? Artsrikdom, forekomst, relativ tetthet og absolutt tetthet krever hvert sitt kameranett, hvert sitt antall stasjoner og hver sin oppsettstid, og et design som er utmerket for det ene kan være stille og rolig ubrukelig for det andre.

Det høres opplagt ut. Det er det åpenbart ikke. Da Burton og kollegene hans gjennomgikk 266 viltkameraundersøkelser publisert mellom 2008 og 2013, brukte 40,2 % ikke noe sannsynlighetsbasert utvalgsdesign overhodet – de lente seg på tilfeldig eller målrettet plassering – og ytterligere 21,4 % oppga nær sagt ingenting om utvalgsdesignet. Færre enn én av tre nevnte uttrykkelig forutsetningene om romlig og tidsmessig uavhengighet som analysene deres hvilte på. Kameraene fungerte helt fint. Designet kunne, i mange tilfeller, ikke bære slutningene forfatterne trakk av dem.

Så før vi kommer til tallene – og det kommer gode, konkrete tall lenger ned – må du få rekkefølgen under huden. Velg spørsmålet. La spørsmålet sette avstanden i forhold til leveområdet til arten du sikter på. La avstanden og presisjonsmålet ditt sette antallet stasjoner. La oppdagbarheten sette varigheten. Resten er logistikk. Bommer du på rekkefølgen, redder ingen mengde feltinnsats deg.

Begynn med spørsmålet, ikke kameraet

Den enkeltvis mest nyttige innfallsvinkelen i litteraturen er at en kameraobservasjon er produktet av to prosesser: hvor mange dyr som faktisk er der ute, og hvor sannsynlig det er at hvert av dem blir fotografert. Hvert designvalg er egentlig et valg om hvordan du håndterer den andre prosessen – oppdagelse. Det som skiller de analytiske metodene, er hva de forutsetter, og dermed hva de krever av kameranettet ditt.

En rask runde gjennom de fire vanlige målene, for resten av artikkelen vender stadig tilbake til dem:

• Artsinventering / artsrikdom – «hva lever her?» Hver art må ha en sjanse over null for å bli oppdaget, noe som stort sett betyr bred romlig dekning og randomisering, ikke intensitet på ett enkelt punkt.
• Forekomst (occupancy) – «hvor stor andel av lokalitetene bruker en art?» Forekomstrammeverket modellerer eksplisitt ufullkommen oppdagelse gjennom gjentatte besøk, så det trenger nok lokaliteter og nok undersøkelsesanledninger per lokalitet til å feste oppdagelsessannsynligheten.
• Relativ tetthet (RAI) – observasjoner per innsatsenhet, brukt som en indeks på tetthet. Billig og overalt, men hviler på den heroiske forutsetningen at oppdagbarheten er konstant på tvers av det du sammenligner. Det er den som regel ikke.
• Absolutt tetthet – dyr per arealenhet, gullstandarden. For individuelt gjenkjennelige arter (tenk flekkete katter) betyr det romlig fangst–gjenfangst (SCR/SECR); for umerkede arter er tilfeldig møte-modellen (REM) det eneste reelle alternativet. Disse to metodene vil ha motsatte ting ut av kameraavstanden, og det er den enkeltvis største fellen i hele faget.

GBIF-veiledningen for datapublisering gjør samme poeng fra motsatt kant: «hva ønsker du å vite om hvilke artsgrupper? Hvert formål bringer med seg sine egne nøkkelkarakteristikker å ta hensyn til, som kamerahøyde og -retning, sesong, agnbruk, deteksjonssonens egenskaper». De karakteristikkene er ikke valgfrie metadata. De er designet.

En praktikeroversikt som er verdt tiden til en nybegynner, framstiller selve plasseringen som en meny – tilfeldig, stratifisert, systematisk, adaptiv og forekomstbasert utvalg, hver med sine styrker. Det er et fint mentalt stillas. Men i det øyeblikket du velger reelle koordinater, er spørsmålet ikke lenger «hvilken utvalgsarketype høres bra ut» – det er «hva forutsetter estimatoren min, og oppfyller dette oppsettet forutsetningen?»

Avstand og uavhengighet: knyttet til leveområdet, ikke vanen

Kameraavstand er der gode hensikter går for å dø, for den «riktige» avstanden snur avhengig av målet ditt – og litteraturen er reelt uenig på enkelte punkter, noe jeg flagger underveis.

For artsrikdom, forekomst og RAI vil du som regel ha uavhengighet. Tommelfingerregelen nesten alle griper til, er 1–2 km mellom stasjonene. Det tallet er ikke hellig; det er en pragmatisk stedfortreder for «langt nok fra hverandre til at to kameraer ikke prøver de samme individene». WWFs veiledning til beste praksis er klar på at betydningen av streng uavhengighet «ofte overdrives, og kan ha liten effekt på statistisk slutning», og bemerker at den romlige klumpingen man ville bekymret seg for, har vist seg å være svak i kameradata når noen faktisk har lett etter den. Kays og kollegene fant at autokorrelasjon mellom kameraer ikke var noe problem utover omkring 25 m i tropisk skog – men en subtropisk krattskogstudie fant den fortsatt på 500 m. Så den ærlige versjonen: knytt avstanden til leveområdets størrelse for arten du sikter på, fall tilbake på rundt 1 km (og minst én leveområdediameter) når du mangler den informasjonen, og husk at du kan modellere gjenværende avhengighet statistisk framfor å designe den bort.

WildCAMs oppsettsveiledning gir den reneste hverdagslige versjonen av avveiingen: anslår du forekomsten av grizzlybjørn «og kameraene står for tett, kan observasjonene mangle statistisk uavhengighet hvis det er en sjanse for at samme individ blir oppdaget på nabostasjoner innenfor en kort periode», så for vidtstreifende pattedyr «kan du ønske å velge store avstandsintervaller».

For SCR/SECR-tetthet vil du ha det stikk motsatte – avhengighet er hele poenget. Disse modellene virker ved å se fangstsannsynligheten avta med avstanden fra et dyrs aktivitetssenter, så hvert individ må bli fotografert på mer enn én stasjon. Anbefalingen: plasser kameraene ikke mer enn 0,8 ganger en gjennomsnittlig leveområderadius fra hverandre, og sikt helst på en tredjedel av en leveområderadius, som havner på grovt sett 4–7 kameraer innenfor hvert leveområde. Konvensjonell (ikke-romlig) fangst–gjenfangst er enda strengere på å ikke etterlate «hull» som et helt leveområde kunne gjemt seg i – Tobler og Powell sa det minneverdig om jaguarer: «det skal ikke være noe hull mellom kameraene som kan romme et helt leveområde for et individ».

Her blir det interessant, og her har faget ikke landet helt. En SECR-studie av svartbjørn (via WildCAMs syntese) fant at da fangstavstanden ble økt, flyttet tetthetsestimatene seg knapt – «det kan være mer verdt å spre fellene videre for å prøve et større område», fordi SECR er langt mer robust mot et lavere antall stasjoner enn andre tetthetsmetoder. Referansegjennomgangen av SECR kommer til samme strategiske konklusjon: «den beste måten å øke presisjonen på fra et studiedesignperspektiv synes å være gjennom å øke antallet individer som fanges», noe som mest naturlig oppnås ved å forstørre undersøkelsesområdet. For SECR er det altså en reell spenning mellom lærebokas «pakk dem tett»-avstand og det praktiske funnet «spre dem vidt for å fange flere individer». Løsningen de fleste lander på: utstrekningen av rutenettet ditt i forhold til leveområdets størrelse betyr minst like mye som avstanden mellom fellene – noe snøleopardstudien nedenfor demonstrerer brutalt.

For REM er avstanden frigjort fra målarten helt og holdent, og det er en av dens beste egenskaper. Fordi REM ikke trenger at noe individ fotograferes to ganger, er «kameraavstanden ikke bestemt av målarten», og mer enn én art kan overvåkes i samme undersøkelse. Det REM krever i stedet, er at kameraene plasseres tilfeldig med hensyn til dyrenes bevegelse – ikke på stier, ikke ved skraper, ikke noe sted valgt for å blåse opp eller trekke ned møterater. Bryter du det, gir du møteraten en skjevhet, og tetthetsestimatet med den.

Kameraavstand er der gode hensikter går for å dø, for den «riktige» avstanden snur avhengig av målet ditt.

Hvor mange stasjoner? Tetthet og antall kameraer

Det finnes ikke noe universelt svar, men det finnes gode mål per formål, og de er mer konkrete enn «mer er bedre».

Artsrikdom. Det mest direkte empiriske grunnlaget kommer fra Kays et al.s undersampling av 2 225 utsett på tvers av 41 studieområder globalt. De fant at 25–35 kameralokaliteter trengtes for presise estimater av artsrikdom, avhengig av studiens skala – omkring 35 for storskala rutenett (≥1 km avstand) og 25 for småskala (≤0,2 km) tropiske lokaliteter, der så få som 17–22 holdt for de minst artsrike småskala tempererte områdene. WWF-veiledningen er enda mer rett på sak: for artsrikdom «virker det usannsynlig at et anstendig utvalg kan oppnås med færre enn 20 lokaliteter, og 50 lokaliteter kan være et bedre mål», og stratifiserer du, trenger du 20–50 lokaliteter per stratum. WildCAMs syntese gjentar dette – under 20 kameraer er «uframkommelig for undersøkelser av artsrikdom, der 50 lokaliteter er et bedre mål».

Forekomst. Det er her antallet stasjoner blir brutalt følsomt for hvor vanlig arten din er. Kays et al. fant at presisjonen i forekomst var «svært følsom for forekomstnivået, med <20 kameralokaliteter nødvendig for presise estimater av vanlige (ψ>0,75) arter, men sannsynligvis mer enn 150 kameralokaliteter nødvendig for sjeldne (ψ<0,25) arter». Nesten halvparten av én global rovdyranalyse de viser til, hadde en forekomst under 0,25 – nettopp de artene du mest vil overvåke, og nettopp de som krever 100+ lokaliteter. WWF-veiledningens generelle anbefaling: minst 40 utvalgslokaliteter for forekomst, stigende til 100+ hvis du legger til kovariater eller jakter på en sjelden art. WildCAM operasjonaliserer det slik: 30 lokaliteter for arter med høy oppdagbarhet (p ≥ 0,8), 30–60 for mange arter, og «minst 100 lokaliteter» for sjeldne arter med lav tetthet og oppdagelsessannsynligheter under 0,1.

Spørsmålet om ett eller flere kameraer. Ett funn overrasker folk pålitelig: å sette flere kameraer på hver lokalitet kan bety like mye som å legge til lokaliteter. O'Connor og kollegene kjørte oppsett med ett, to og fire kameraer på 20 skoglokaliteter og fant at firekamerametoden fanget 1,25 (53 %) flere arter per lokalitet enn ett enkelt kamera, var det eneste oppsettet som fullt ut fanget det bakkelevende samfunnet, og om lag doblet antallet lokaliteter der hvithalehjort ble registrert. Oppdagelsessannsynligheten for hvithalehjorten på ett enkelt kamera var bare 0,179. Anbefalingen deres – «minst 2 viltkameraer per kameralokalitet, rettet mot motsatte retninger» – er en billig forsikring mot de falske negativene som ødelegger forekomst- og artsrikdomsdata.

SECR-tetthet. Referansegjennomgangen fant en median på 57,5 kamerastasjoner per studie per år (gjennomsnitt ~100, spenn 12–849) på tvers av publisert SECR-arbeid. For jaguarer spesielt konkluderte Tobler og Powell med at et minimum på 40–50 stasjoner kreves for en pålitelig undersøkelse, «og et større antall stasjoner ville vært ønskelig» – en terskel WildCAM gjentar som «det absolutte minimumet». SECRs redning er robustheten: den er «langt mer robust mot et lavere antall kamerastasjoner enn andre metoder for tetthetsanslag».

REM-tetthet. Simuleringsarbeid antyder at «ca. 60 kameraplasseringer bør prøves for å oppnå akseptabel presisjon (dvs. en variasjonskoeffisient under 0,20)».

For å gjøre avveiingene konkrete, slik fordeler noen av de protokollsterke designene i litteraturen faktisk kameraene:

Legg merke til at ForestGEO bevisst kjører kameraer på en tetthet 100 ganger høyere enn TEAM – én felle per 2 ha mot én per 2 km² – fordi de svarer på ulike spørsmål over ulike arealer (1 km² intensiv skogprøvetaking mot 120 km² samfunnsovervåking). Ingen av dem er «riktig». De er tilpasset hvert sitt formål.

Koordinerte undersøkelser og folkeforskningsprosjekter ligger i den ytterste enden av dette spekteret: SNAPSHOT USA 2021, en nasjonal undersøkelse med mange bidragsytere, samlet 109 kameranett og 1 711 kameralokaliteter til 71 519 kameradøgn, med innsats per nett som varierte fra 126 til 3 355 døgn. Lærdommen for alle som blir med i et slikt nettverk, er at konsistens på tvers av bidragsytere – standardisert høyde, avstand og varighet – er det som overhodet gjør det mulig å analysere alle disse individuelt beskjedne nettene sammen.

ForestGEO kjører bevisst kameraer på en tetthet 100 ganger høyere enn TEAM, fordi de svarer på ulike spørsmål over ulike arealer. Ingen av dem er «riktig». De er tilpasset hvert sitt formål.

Hvorfor utstrekningen på rutenettet kan bety mer enn tettheten

Snøleopardstudien er advarselen enhver tetthetsforsker bør ha hengende på veggen. Samme team undersøkte samme landskap på to måter: et kompakt nett (38 kameraer, ~1 km avstand, 253 km² utstrekning, 15 kameraer/100 km²) og et diffust ett (44 kameraer, ~5 km avstand, 2 030 km² utstrekning – nesten en tierpotens større – på bare 2 kameraer/100 km²).

Estimatene var ikke bare ulike – det kompakte designet ga en tetthet på 0,12 dyr/100 km² mot det diffuse designets 0,534, omtrent fem ganger høyere i det diffuse oppsettet. Verre: det kompakte nettet framstilte fullstendig galt hvordan kattene faktisk brukte rommet, og blåste opp bevegelsesparameteren σ̂ til 12,23 mot 3,27 i det diffuse designet. Lærdommen forfatterne trekker, er den samme som Tobler og Powell trakk for jaguarer og referansegjennomgangen trakk på tvers av arter: «å prøve et lite område på størrelse med ett enkelt leveområde er utsatt for skjevheter som følger av svært få individer i landskapet med svært lave møtesannsynligheter». For tetthetsarbeid kan et rutenett som er tett og lite, være langt verre enn ett som er spredt og stort. Dekk nok areal til å avdekke nok individer – det, mer enn å pakke kameraene tett sammen, er det som kjøper deg et forsvarlig estimat.

For tetthetsarbeid kan et rutenett som er tett og lite, være langt verre enn ett som er spredt og stort.

Varighet: hvor lenge du skal la hvert kamera stå, og hvor lenge undersøkelsen skal vare

To ulike klokker tikker, og folk blander dem sammen. Den ene er hvor lenge ett enkelt kamera bør stå på ett sted. Den andre er total undersøkelseslengde / totalt antall kameradøgn. Begge har gode empiriske holdepunkter.

Varighet per kamera. Kays et al.s undersampling gir den reneste rettesnoren noen har: å kjøre et kamera i 2 uker var mest effektivt for å oppdage nye arter, men 3–4 uker trengtes for presise estimater av lokal oppdagelsesrate, «uten observerte presisjonsgevinster etter 1 måned». Hovedanbefalingen deres – «kjør hvert kamera i 3–5 uker på tvers av 40–60 lokaliteter per nett» – er nå de facto standard for samfunnsstudier. Si et al.s intensive toårsstudie av én enkelt kinesisk flate legger til en utfyllende regel: nye arter akkumulerer raskt de første ~40 dagene på en lokalitet, og så stuper raten, så de foreslår å rotere kameraene «hver ca. 40. dag» eller etter omtrent 20 uavhengige bilder.

Lokaliteter mot anledninger – den tilbakevendende dommen. Når kameraene er begrenset (det er de alltid), bør du prøve flere lokaliteter kortere, eller færre lokaliteter lenger? For artsrikdom og relativ tetthet er svaret konsistent på tvers av studier: spre dem ut. Si et al. fant at, gitt samme totale antall kameradøgn, «var det bedre å sette ut kameraer på flere lokaliteter kortere på hver, enn å la kameraene stå på samme lokalitet» – ved 1 000 kameradøgn fanget tre lokaliteter 80 % av artene, mens 19 lokaliteter fanget 90 %. Kays et al. når samme konklusjon, og WWF-veiledningen slår det fast som politikk: «prøv flere lokaliteter en kortere periode, framfor å prøve bare noen få lokaliteter en svært lang periode». (Forekomst er det delvise unntaket – for en sjelden, flekkvis art er det fortsatt bedre å flytte kameraene og prøve flere lokaliteter, men for en vanlig eller en svært vanskelig oppdagbar art kan det å prøve færre lokaliteter lenger faktisk være mer effektivt.)

Totalt antall kameradøgn. Gang sammen målene, og du får en nedre grense. WWF-veiledningens regnestykke – 20–50 lokaliteter × 30 kameradøgn hver – gir 600 til 1 500 kameradøgn for en artsrikdoms-/mangfoldsstudie, med en generell anbefaling om at «mangfoldsstudier bør være på minst 1 000 kameradøgn». Si et al.s rarefaksjon satte minimumet til 931 kameradøgn for å oppdage 90 % av de vanlige artene på deres lokalitet, mens om lag 8 700 kameradøgn trengtes for å oppdage alle de 10 fastboende artene – en skarp illustrasjon av hvordan den lange halen av sjeldne arter får innsatsen til å eksplodere. Burtons gjennomgang fant at den reelle medianinnsatsen var 2 055 kameradøgn, men flagget at nær en tredjedel (28,9 %) av studiene hadde færre enn 1 000 kameradøgn totalt, «noe som sannsynligvis er utilstrekkelig til å oppdage sjeldne arter».

For tetthetsarbeid stiger lista. For relativ tetthet og REM bør en indeks hvile på mer enn 10, helst mer enn 20, fangster – og «for tettheter som er typiske for mange rovdyr (og de sjeldneste hjortedyrene), kreves minst 2 000 kameradøgn for å oppnå 20 fangster». SECR-referansegjennomgangen fant en median på 3 124 kameradøgn per år, der 71,6 % av studiene gikk i et år eller mindre. Jaguarundersøkelser går, på grunn av lukkethetsforutsetningen, på line: korte nok til å anta at bestanden ikke har endret seg, lange nok til å samle data, der Tobler og Powell anbefaler et minimum på 60 dager, ofte 90 eller til og med 120 – og uttrykkelig forkaster det vanlige 30-dagersvinduet som for upresist.

Ett nøkternt holdepunkt på om all denne innsatsen faktisk lønner seg: på tvers av SECR-studier var medianvariasjonskoeffisienten 30 %, og «75,6 % av studiene rapporterte en CV på ≤40 %, men bare 21 % av studiene rapporterte en CV ≤20 %». De fleste tetthetsundersøkelser er ikke så presise som forfatterne skulle ønske. Og bare 10,5 % av dem kjørte noen som helst simulering før feltarbeidet for å finne det ut.

De fleste tetthetsundersøkelser er ikke så presise som forfatterne skulle ønske. Og bare 10,5 % av dem kjørte noen som helst simulering før feltarbeidet for å finne det ut.

Oppdagelsessannsynlighet er den skjulte variabelen bak alt sammen

Finnes det én parameter som stille styrer avstand, tetthet og varighet, så er det oppdagelsessannsynligheten – sjansen for at du fotograferer en art gitt at den er der. Får du den for lav, mister modellene ikke bare presisjon, de bryter sammen.

Terskelen å huske: oppdagelsessannsynligheter under 0,2 «fører ofte til betydelige skjevheter og konvergensproblemer, selv i de enkleste ettilstandsmodellene». Og metodene du kanskje griper til for å fange rikere økologi, gjør problemet verre – flertilstands forekomstmodeller «krever høyere oppdagelsessannsynligheter sammenlignet med ettilstandsmodellene», og «antallet lokaliteter som trengtes var vesentlig høyere for flertilstandsmodeller». Måten oppdagelse og innsats veksler på, er lovmessig: «de minste nødvendige oppdagelsessannsynlighetene sank etter hvert som antallet undersøkelser økte, for alle modellene». Med andre ord kan du kjøpe deg ut av lav oppdagelse med flere undersøkelsesanledninger – opp til et punkt.

Det er også derfor sjudagersanledningen er så vanlig: Kays et al. definerte oppdagelsessannsynligheten som «sannsynligheten for å oppdage en forekommende art i løpet av en sjudagersperiode på en kameralokalitet», og slo sammen daglige data til ukentlige vinduer slik at selv sparsomt oppdagede arter gir brukbare oppdagelseshistorikker. Å slå sammen observasjoner til flerdagsanledninger er en legitim, kostnadsfri spak for å løfte oppdagelsessannsynligheten og bedre modelltilpasningen. Det samme er å sette ut flere kameraer per lokalitet. Begge hever oppdagelsen uten de brudd på forutsetninger som agn og stimålretting fører med seg – noe som bringer oss til den genuint omstridte delen av undersøkelsesdesign.

Plasseringsstrategi og målart: det egentlige veiskillet

Hvor du retter kameraet – mot en dyretråkk eller mot et tilfeldig punkt – er beslutningen som deler faget, for den veksler skjevhet mot datamengde, og ulike arter sitter på ulike sider av den byttehandelen.

Beviset for at plasseringen skjevvrir dataene dine, er overveldende og konsistent. I Virginia kjørte Kolowski og Forrester parvise kameraer og fant at oppdagelsessannsynligheten steg 11–33 % for fem arter på dyretråkk mot tilfeldige steder, og 24,9–38,2 % for gnagere ved liggende stokker; i det mest ekstreme tilfellet logget en «mus»-kategori 65 fangsthendelser ved stokker mot bare én eneste fangst på tilfeldige steder. Fangstratene lå 1,7 til 9,67 ganger høyere ved egenskapsbaserte kameraer. I Italia satte Greco et al. ut 60 kameraer per strategi og registrerte et snitt på åtte arter på stinettet mot fire utenfor sti, der ulv og villkatt ga bare fem hendelser hver utenfor sti mot 242 og 80 på stier – og 6 ganger mer data totalt på sti. Åtte av 11 testede arter viste høyere oppdagelse og forekomst på stier.

Så stier vinner, ikke sant? Ikke for samfunnsarbeid, og her er skjevheten de smugler inn: sammensetningen forskyves. I den italienske studien utgjorde ville hjortedyr 49 % av den relative tettheten utenfor sti, men bare 28 % på sti, mens rovdyr snudde fra 32 % utenfor sti til 56 % på sti. Du får ikke bare mer data på stier – du får et annerledes formet samfunn, vektet mot de artene som liker stier. Cusack et al.s parvise savanneeksperiment i Tanzania fastslår hvilke: rovdyr ble vesentlig mer sannsynlig fanget ved stiplasseringer i tørketiden, og større arter i regntiden. Det betryggende funnet deres for artsrikdomsundersøkelser: «gitt tilstrekkelig prøvetakingsinnsats (>1 400 kameradøgn) er det lite sannsynlig at plasseringsstrategien påvirker slutninger gjort på samfunnsnivå» – men under den innsatsen, og for spesifikke trofiske grupper, gjør den i høyeste grad det.

Det er her to autoritative kilder peker i motsatte retninger, og du må forstå hvorfor før du velger. For samfunns-, forekomst- og REM-arbeid er rettledningen ettertrykkelig på at randomisering er avgjørende – ikke-tilfeldig plassering «bryter et nøkkelprinsipp i utvalgsteorien: tilfeldig utvelging av utvalgsenhetene», risikerer å gå glipp av hele habitater og arter, og gir relativ tetthet en skjevhet mot stibrukere. Men for SECR-tetthet av en merkbar, sky art anbefaler Tobler og Powell det motsatte – plasser kameraene «på veletablerte stier og skogsbilveier som ofte brukes av jaguarer», fordi «kameraer som plasseres tilfeldig i landskapet, har en svært lav fangstsannsynlighet for jaguarer og vil gi dårlige data». Forsoningen er ikke et kompromiss; den er spørsmålet igjen. Hvis estimatoren din trenger et uforskjøvet utvalg av samfunnet (tilfeldig) mot nok gjenfangster av ett kryptisk individ til å tilpasse en romlig modell (sti), er den «riktige» plasseringen genuint ulik – og blander du sti- og utenfor-sti-kameraer, registrerer du plasseringen som en kovariat slik at modellen kan justere for den.

Den dypeste lærdommen er at arter ikke reagerer ensartet på noe av dette. Selv like store, nært beslektede arter reagerer ulikt på de samme designvalgene, og det er derfor noen forfattere hevder at overvåkingsprogrammer bør bruke en «blanding av designstrategier» framfor én standardisert tilnærming når de bryr seg om et mangfoldig samfunn. (Den artikkelens nettside var bot-blokkert da kildefilen ble fanget, så dette gjenspeiler forskningspakkens notat om den, ikke tekst jeg kunne lese direkte.) Det praktiske grepet når du har ett nett og flere målarter: design for den vanskeligste – den sjeldneste, minst oppdagbare, mest vidtstreifende arten setter avstanden og innsatsen din, og de lettere artene følger med på lasset.

Du får ikke bare mer data på stier – du får et annerledes formet samfunn, vektet mot de artene som liker stier.

Agn og lokkemidler: en fristende spak med en brodd

Lokkemidler hever oppdagelsen, punktum. Spørsmålet er hva de koster deg. I en test over 844 stasjoner i Alberta ga luktlokkemiddel en sterk positiv effekt på rovdyr samlet (β = 0,75) og en svært sterk effekt på fiskemår (β = 2,23) – men ingen effekt på gråulv (β = -0,01, p = 0,973) og ingen på byttedyr eller hjortedyr. Det er fellen: lokkemiddel hjelper noen arter, ignorerer andre, og kan derfor «innføre ukjent skjevhet i slutninger på tvers av flere arter», noe som betyr at flerartsundersøkelser «må ta hensyn til luktlokkemiddelets varierende effekt».

Den protokollsterke dommen gjenspeiler det. WWF-veiledningen slår klart fast at «bruk av lokkemidler (agn og luktlokkemidler) ikke anbefales i formelle viltkameraundersøkelser, med mindre det finnes svært tungtveiende grunner til å bruke dem og det er mulig å kontrollere for effektene deres». TEAM bruker ikke agn i det hele tatt. Nyansen fra forekomstsimuleringssiden: agn og stimålretting brukes riktignok mye for å skyve oppdagelsen over den farlige 0,2-grensen, og gevinsten i modellytelse kan være verdt skjevheten – men dataaggregering og flere kameraer per lokalitet gir samme løft «uten nødvendigvis å bryte modellforutsetninger», så grip etter dem først. Bruker du agn, standardiser det knallhardt og registrer det som metadata, slik at det kan modelleres, ikke ignoreres.

Fallgruvene som faktisk ødelegger datasett

For å samle trådene, her er hvor design av viltkameraundersøkelser oftest går galt – og hver eneste av disse er en designbeslutning, ikke et feltuhell:

• Ingen sannsynlighetsbasert design. De 40,2 % av studiene som plasserer kameraene tilfeldig, kan ikke generalisere utover akkurat de stedene de prøvde. Randomiser, eller stratifiser og randomiser innenfor strataene.
• For liten innsats for sjeldne arter. Under 1 000 kameradøgn er sannsynligvis utilstrekkelig til å oppdage de sjeldne artene som betyr mest, og sjeldne arter med lav forekomst kan trenge 100–150+ lokaliteter.
• Et rutenett for lite for leveområdet. For tetthet bærer en kamerapolygon mindre enn ~ett leveområde en positiv skjevhet for hver metode som er testet.
• Å behandle ett kamera per lokalitet som nok. Enkeltkameraer går glipp av observasjoner som en dobling til to motrettede kameraer ville fanget, og forvrenger forekomst og artsrikdom.
• Å ignorere sesong. Kays et al. fant at 37–50 % av artene svingte vesentlig i forekomst eller oppdagelse gjennom året, der tempererte arter varierte i relativ tetthet med en gjennomsnittsfaktor på 4–5 mellom sesongene. Ett øyeblikksbilde av én sesong er ikke året. Velg vinduet ditt bevisst, og sammenlign aldri på tvers av sesonger uten å ta høyde for det.
• Å forveksle «lokaliteten» din. Samme ord dekker et kameras deteksjonssone og en rutenettcelle på 10 km², og forekomst betyr ulike ting på hver skala. Definer den.
• Å ikke simulere først. Bare ~10 % av SECR-studiene kjørte en styrkeanalyse før feltarbeidet – den billigste forsikringen mot et presisjonsfattig resultat som finnes der.

Uansett hva du bruker, dokumenter selve designet som strukturerte metadata – kamerahøyde og -retning, avstand, varighet, agn, deteksjonssonens egenskaper – for et datasett der designet ikke er registrert, kan ikke reanalyseres eller slås sammen med andres. Standarder som Camtrap DP finnes nettopp for at undersøkelsesdesignet skal bli en del av dataene, ikke tapt institusjonell hukommelse. Vil du grave dypere i en enkelt beslutning, er WWFs veiledning til beste praksis fortsatt den enkeltvis mest komplette referansen, og Kays et al.-artikkelen er den empiriske ryggraden for «hvor mange, hvor lenge»-tallene.

Ofte stilte spørsmål