Fra tidsstempler til dyrenes aktivitetsmønstre: en arbeidsflyt for viltkameradata

Hvert eneste bilde kameraene dine har tatt, bærer allerede på det mest verdifulle tallet i hele datasettet – og det er ikke arten. Det er tidspunktet på døgnet. Et viltkamera utløses når et dyr er til stede, så haugen med tidsstempler du har samlet, er et utvalg av når dyret var våkent og i bevegelse: flere utløsninger når det er aktivt, færre eller ingen når det hviler. Les av nok av disse tidspunktene, og du kan rekonstruere formen på artens døgn – når den våkner, når den topper seg, når den blir stille. Det er et aktivitetsmønster, og et viltkamera er en av få billige, ikke-invasive måter å skaffe et slikt på.

Her er hele kjeden i ett åndedrag, så du vet hvor dette bærer hen. Du henter en ren dato-tid-verdi fra hvert bilde (nesten alltid fra EXIF-metadataene, av og til ved å lese tidsstempelet som er brent inn i selve bildet); du avgjør hvilke registreringer som teller som uavhengige hendelser; du regner klokketidene om til en sirkulær skala, og – dersom studien strekker seg over flere årstider eller ligger langt fra ekvator – til soltid; du tilpasser en sirkulær kjernetetthet til tidspunktene for å estimere aktivitetskurven; og hvis du sammenligner to arter, beregner du overlappskoeffisienten (Δ) mellom kurvene deres. I R bor arbeidet nesten utelukkende i tre pakker – `overlap`, `activity` og `camtrapR` – og hele saken hviler på én lite glamorøs forutsetning: omtrent 100 deteksjoner av arten før du stoler på kurven.

Ingen av disse stegene er vanskelige. Flere av dem er lette å gjøre stille og umerkelig feil – en klokke som har drevet, et «uavhengighets»-filter som sletter nettopp den toppen du prøver å måle, en soloppgang som flyttet seg tre timer mellom juni og desember mens x-aksen din ble stående. Denne teksten følger kjeden fra ende til ende, og – like viktig – peker på hvor en troverdig aktivitetsanalyse skiller lag fra en verdiløs en. Forskjellen ligger som regel ikke i statistikken. Den ligger i datahygienen oppstrøms.

Først: hent rene dato-tid-verdier ut av hvert bilde

Du kan ikke rekonstruere i ettertid når et dyr ble fotografert – det finnes ingen annen kilde til det, slik det for eksempel finnes for et kameras koordinater. Som GBIFs veileder for beste praksis sier rett ut: dato og tid «is the most important aspect of its metadata... and cannot be derived later». Derfor fortjener dette steget mer omtanke enn det vanligvis får.

Den rene veien er de innebygde metadataene. Når et kamera skriver en JPEG, stempler det opptakstidspunktet inn i EXIF-blokken, i feltet `DateTimeOriginal`. Verktøyene leser feltet direkte: funksjonen `recordTable()` i `camtrapR` støtter seg på ExifTool for å hente `DateTimeOriginal` fra hvert bilde og sette sammen en ryddig registreringstabell med stasjon, art og tidspunkt. Har bildene dine god EXIF, er dette et løst problem – pek funksjonen mot mappene dine, og du har maskinlesbare dato-tid-verdier på sekundet.

To vaner oppstrøms gjør alt dette tryggere, og begge handler om kameraet, ikke om programvaren. For det første: still klokka til UTC eller lokal vintertid, og slå av den automatiske overgangen til sommertid. Sommertid er en stille saboterer av aktivitetsdata: stiller du kameraets klokke om sommeren og det ikke kjenner til sommertid, havner hvert vinterbilde en time unna riktig klokketid, og motsatt – en systematisk timesfeil smurt utover halvparten av registreringene. Rådet fra `camtrapR` er den pragmatiske utgaven av samme regel: hvis studieområdet ditt bruker sommertid, men kameraene ikke registrerer det, så la analysen stå i UTC, fordi UTC ikke har noe sommertidshopp å snuble i. For det andre: navngir eller organiserer du filene selv, så start filnavnene med datoen – `ÅÅÅÅMMDD_TTMMSS` – slik at en alfabetisk sortering også blir kronologisk, og skriv tidspunkter i ISO 8601 (`ÅÅÅÅ-MM-DDTHH:MM:SS`) når du eksporterer.

Oppdager du i ettertid at et kameras klokke var feilstilt – en hel utplassering forskjøvet med et kjent beløp – så lar det seg redde. `camtrapR` har `timeShiftImages()` til å korrigere tidsstemplene i bildemetadataene i bulk, og en egen `fixDateTimeOriginal()` for én bestemt feiltype: visse Reconyx HyperFire-kameraer som ikke lagrer dato og tid i standardfeltet. Ta sikkerhetskopi av bildene først. Poenget er at klokkefeil som fanges tidlig, bare er en plage; klokkefeil som aldri fanges, blir et oppdiktet aktivitetsmønster.

Definer kategoriene dine – men vit at de er en grov første sortering

Før all kurvetilpasning lønner det seg å ha vokabularet faget har brukt helt fra starten. I det øyeblikket forskerne skjønte at kameratidsstempler kunne beskrive aktivitet, var det første de gjorde å sortere artene i fire bøtter:

• Dagaktiv – aktiv stort sett i dagslys.
• Nattaktiv – aktiv stort sett om natten.
• Skumringsaktiv – aktiv stort sett i tussmørket, rundt grålysning og skumring.
• Katemeral – aktiv både dag og natt, uten noen sterk preferanse.

Dette er ikke bare innfall; du kan definere kategoriene operasjonelt. I en toårig undersøkelse av åtte pattedyr i Nord-Japan delte Ikeda og kolleger hvert bilde inn i dag, natt eller tussmørke, sammenlignet bildefrekvensen mellom de tre periodene med en enveis ANOVA, og plasserte hver art i en kategori: dagaktiv hvis bildene samlet seg på dagtid, nattaktiv hvis om natten, skumringsaktiv hvis i tussmørket, og katemeral når det ikke var «no difference» mellom de tre periodene. Det ga rene konklusjoner – europeiske ekorn dagaktive, mårhunder og vaskebjørner nattaktive, sikahjort og hare skumringsaktive, japanske mårer og brunbjørner katemerale.

To advarsler følger med bøttene. Den første er at de er genuint grove, og at de mest interessante funnene bor i sprekkene mellom dem. De samme sikahjortene «changed peaks from twilight during spring–autumn to day-time in winter, possibly because of thermal constraints», og mårene var katemerale det meste av året, men nattaktive om høsten. En enkelt kategorimerkelapp ville visket ut begge deler. Den andre advarselen handler om skala. Globalt er firedelingen skjev: i et datasett med tusenvis av pattedyrarter fant Bennie og kolleger at «the majority of mammal species are nocturnal (69%...; 20% diurnal, 8.5% cathemeral, and 2.5% crepuscular)», og at strategien er dypt bevart gjennom pattedyrtreet (Pagels λ = 0,947). Standardantakelsen din for et ustudert pattedyr bør altså være «sannsynligvis nattaktivt», og en selvsikker dagaktiv-klassifisering fortjener en ny titt – særlig med plasseringsfellene vi kommer til senere. Kategoriene er en nyttig overskrift. Aktivitetskurven er fortellingen.

Kategoriene er en nyttig overskrift. Aktivitetskurven er fortellingen.

Tidsmessig uavhengighet: det mest avgjørende – og mest omstridte – valget du tar

Her er det de gode intensjonene ødelegger aktivitetsanalyser. Kameraer tar ikke ett bilde per besøk. Et enkelt dyr som blir stående foran linsen, eller et kamera satt til å skyte serier på tre eller ti bilder per utløsning, kan produsere dusinvis av tidsstempler fra ett eneste aktivitetsøyeblikk. Får disse nær-duplikate tidspunktene bli liggende, hoper de seg opp og skjevvrir kurven mot «de tidspunktene arten tilfeldigvis opptrådte foran kameraene dine» – slik `camtrapR` minneverdig formulerer det om en argusfasan som elsket rampelyset.

Standardløsningen er et tid-til-uavhengighet-filter (i `camtrapR` argumentet `minDeltaTime`): slå sammen alle registreringer av samme art på samme stasjon som faller innenfor et gitt vindu – 30 minutter og 60 minutter er de vanlige valgene – til én enkelt hendelse. Det er enkelt å bruke. `recordTable()` i `camtrapR` har standardverdien `minDeltaTime = 0` (behold alt) og lar deg sette for eksempel 60 for å tynne dataene; i pakkens eksempelkjøring blir 68 bilder til 56 registreringer etter at duplikate tidspunkter er fjernet, og deretter til 40 når et timesfilter legges på. Avgjørende nok «affects all activity plot results, as it determines temporal independence between records» – endre vinduet, og du endrer kurven.

Og det er nettopp problemet, for konvensjonen er omstridt helt ned til roten. Peral og kolleger gjennomgikk 134 fritt tilgjengelige aktivitetsstudier med viltkamera og fant at «nearly 70% (90 of 134...) apply a time-to-independence filter», typisk 30 minutter, av og til 60 eller til og med 24 timer. Argumentet deres mot det er prinsipielt: disse filtrene ble lånt fra tetthetsestimering, der flere bilder av ett individ blåser opp tellingene, men aktivitet er ikke en rekke avgrensede hendelser – det er en kontinuerlig tilstand. Som de formulerer det, får filteret observatøren til å «effectively decide that the animal is inactive in this period, discarding meaningful information on animal activity». Verre er det at skaden er ujevn. Med et Serengeti-datasett på 164 509 bilder viste de at tallrike, sosiale planteetere «lost 74–93% of activity data when time-to-independence increased from 1 to 60 minutes», mens sjeldne rovdyr tapte bare 21–23 %. Filtreringen krympet ikke bare utvalgene; den deformerte kurvene – gasellens middagstopp falt med så mye som 44 % – og fordi den traff planteetere og rovdyr asymmetrisk, skjevvridde den nettopp de sammenligningene av rovdyr–byttedyr-overlapp som folk kjører. Konklusjonen deres er utvetydig: bruken av tid-til-uavhengighet-filtre i aktivitetsestimering «is not valid and should not be used».

Så hva bør du egentlig gjøre? Ikke les Peral som «behold hvert eneste bilde rått». Les det presist. Serieutløste bilder – de ti skuddene et kamera fyrer av på én utløsning – er ikke noe utvalg av atferd i det hele tatt; de er en brukervalgt innstilling, og Peral sier eksplisitt at disse bør utelukkes fra aktivitetsanalyser. Uenigheten er smalere enn den ser ut til ved første øyekast: nesten alle er enige om at du må fjerne den kunstige opphopningen fra serier og fra ett dyr som blir stående. Den levende uenigheten er om du så skal tvinge på et fast klokkevindu (30 eller 60 minutter) oppå dette. Den nyere, forsvarbare posisjonen er å fjerne bare den åpenbare ikke-uavhengigheten og ellers beholde registreringene, eller – hvis du filtrerer – å rapportere hva filtreringen gjør med estimatene dine, framfor å velge 30 minutter fordi alle andre gjorde det. Uansett hva du velger: oppgi det. Et aktivitetsresultat er ikke tolkbart uten uavhengighetsregelen sin, og det at publiserte studier brukte «variable and arbitrary» vinduer betyr at kurvene deres ofte ikke kan sammenlignes meningsfullt med hverandre. Vær studien som er tydelig.

Et aktivitetsresultat er ikke tolkbart uten uavhengighetsregelen sin. Vær studien som er tydelig.

Tilpass kurven: sirkulær kjernetetthet og von Mises-kjernen

Nå statistikken, som er den enkle delen. Tidspunktet på døgnet er sirkulært – 23.59 ligger inntil 00.00, ikke elleve timer unna – så du kan ikke tilpasse en vanlig tetthetskurve til det. Du tilpasser en sirkulær. Standardmetoden, innført for kameradata av Ridout og Linkie og nå fagets standardvalg, tilpasser en kjernetetthet til de observerte tidspunktene ved hjelp av en von Mises-kjerne (det sirkulære motstykket til den gaussiske) i stedet for den vanlige rettlinjede kjernen. Resultatet er en glatt sannsynlighetstetthet over døgnsyklusen: høy der dyret er aktivt, lav der det ikke er det.

Noen få mekaniske detaljer betyr noe. Alle disse verktøyene arbeider i radianer, ikke i timer eller brøkdeler av et døgn, så den første linja i nesten ethvert skript regner om: `timeRad <- time 2 pi`. Glattingen styres av en båndbredde, eksponert i `overlap`-pakken som argumentet `adjust` – sett den over standardverdien 1 for en flatere kurve, lavere for en spissere – og valget påvirker overlappsestimatene nedstrøms, så det er ikke rent kosmetisk. I `activity`-pakken gjøres den samme jobben av `fitact()`, som tilpasser den sirkulære kjernen og, fordi flere registreringer hoper seg opp når dyret er mer aktivt, utleder et samlet aktivitetsnivå – andelen av døgnet populasjonen tilbringer aktiv – fra arealet under fordelingen.

To R-pakker dominerer, og de utfyller hverandre. Bruk `overlap` (funksjonene `densityPlot()`, `overlapPlot()`, `overlapEst()`) når spørsmålet ditt handler om å sammenligne kurvene til to arter. Bruk `activity` (`fitact()`, `solartime()`, `compareCkern()`) når du vil ha et tallfestet estimat av aktivitetsnivå med bootstrappede konfidensintervaller, eller rikere verktøy for å sammenligne fordelinger statistisk. Og `camtrapR` knytter dem til bildene dine: `activityDensity()` kaller `overlap::densityPlot()`, `activityOverlap()` kaller `overlap::overlapPlot()` og `overlapEst()`, og `activityRadial()` og `activityHistogram()` gir deg urskive- og timesøyle-visningene, alt lest rett fra registreringstabellen. For å visualisere resultatene er det radialplottet og den overlagte tetthetskurven som er de to arbeidshestene; tetthetsplottet er det som bør publiseres, fordi det viser den faktiske estimerte formen i stedet for å aggregere til hele timer.

Tidspunktet på døgnet er sirkulært – 23.59 ligger inntil 00.00, ikke elleve timer unna – så du kan ikke tilpasse en vanlig tetthetskurve til det.

Sammenligne arter: overlappskoeffisienten (Δ)

Den klart vanligste grunnen til å gjøre denne analysen er å spørre om to arter deler døgnet – rovdyr og byttedyr, eller to konkurrenter. Standardsammendraget er overlappskoeffisienten, Δ, arealet som ligger under begge tetthetskurvene: den går fra 0 (ingen overlapp i det hele tatt) til 1 (identiske aktivitetsmønstre). Tenk på den som den andelen aktivitet de to artene har felles.

Hvilken estimator du bruker, avhenger av det minste utvalget ditt, og dette snubler folk i. `overlap`-pakken tilbyr tre – Dhat1, Dhat4 og Dhat5 – og veiledningen er konkret: bruk Dhat1 for små utvalg og Dhat4 for større. Akkurat hvor terskelen ligger, oppgis litt ulikt forskjellige steder av de samme forfatterne, og det er verdt å vite: pakkedokumentasjonen sier «Dhat4 is best when the smallest sample has at least 50 observations», mens pakkevignetten legger overgangen høyere og anbefaler Dhat1 når det minste utvalget er under 50 og Dhat4 når det er «greater than 75», med en gråsone imellom. Den praktiske lesningen: er du komfortabelt over ~75 i det minste utvalget, Dhat4; er det klart lite, Dhat1; er du midt imellom, foretrekk Dhat1 og ikke overtolk. Én regel står fast i hver eneste kilde – ikke bruk Dhat5, fordi «even tiny changes in the data can result in large, discontinuous changes in Dhat5, and it can take values > 1». (Et tips til `camtrapR`-brukere: `activityOverlap()` returnerer Dhat1 som standard, så er utvalgene dine store, bør du sende inn `overlapEstimator = "Dhat4"` framfor å godta standardverdien.)

Konfidensintervallene kommer fra en bootstrap, og en glattet en er å foretrekke – tilpass en tetthet, og trekk så simulerte observasjoner fra den – fordi vanlig resampling aldri kan produsere et tidspunkt utenfor det observerte spennet ditt, noe som er galt for et kontinuerlig aktivitetsmønster. Bruk nok resamplinger: eksemplene viser ofte 1 000, men vignetten er tydelig på at «for a real analysis 10,000 bootstrap samples would be better», og pakken advarer om at «for stable estimates you need at least 999 bootstrap estimates, preferably 10,000».

Konkrete tall gjør dette håndfast. I det kanoniske Kerinci-eksempelet ga tigre og makaker i én sone – begge med mer enn 75 observasjoner – en Dhat4-overlapp på 0,42, en moderat, delvis overlapp. I en nordirsk rovdyr–byttedyr-studie overlappet rev og hare 73 % (KI 68–77 %) på årsbasis, rev og kanin 80 %, rev og skogmus 81 % – rovdyrets døgn fulgte byttedyrets – mens mår og dagaktive ekorn viste det motsatte, en utakt forenlig med tidsmessig unnvikelse. Blant sympatriske store rovdyr på Qinghai–Tibet-platået overlappet snøleopard og gaupe Δ = 0,88 (KI 0,80–0,95), snøleopard og ulv 0,86, ulv og gaupe 0,83 – alle høye, alle overveiende nattaktive, med overlappen som falt mot moderat i den varme årstiden. En vanlig konvensjon for å snakke om disse tallene: under 0,5 er lav overlapp, 0,5–0,8 moderat, over 0,8 høy. Det er en nyttig tommelfingerregel, ikke en lov.

Hvor mye data er nok? Omtrent 100 deteksjoner

Du kan kjøre hver eneste funksjon over på et dusin bilder. Du bør ikke. Utvalgsstørrelsesspørsmålet har et rent empirisk svar fra Lashley og kolleger, som sammenlignet kameraavledede aktivitetskurver mot «fasit» fra radiomerking og delte dataene opp i delutvalg for å se nøyaktigheten forringes. Funnet deres: «mean overlap increased and overlap error decreased rapidly as sample sizes increased until an asymptote near 100 detections», hvoretter mer data ga lite ekstra. Anbefalingen deres er tallet å huske – samle minst 100 deteksjoner av en målart før du estimerer aktivitetskurven dens.

To ærlige forbehold rundt disse 100. For det første kan innsatsen som skal til for å få 100 deteksjoner «may vary widely depending on the ecology, mobility, and detectability of the species» – bagatellmessig for et vanlig hjortedyr, en hel sesongs arbeid for en sjelden kattedyrart. Åting kan hjelpe: i den studien ga åtede («aktive») kameraer en 700 ganger høyere deteksjonsrate for hjortedyr enn passive kameraer plassert langs tråkk, noe som teller når du kappløper mot et utvalg innenfor et biologisk meningsfullt tidsrom. For det andre traff kamerakurvene radiomerkingen godt i form, men avvek i størrelsen på toppene, selv ved gode utvalgsstørrelser – overlappen med radiomerket fasit lå på Δ = 0,74–0,84, med statistisk signifikante forskjeller konsentrert ved topptidene for fôring. Kameraer er utmerkede til å fange når en art er aktiv; vær mer forsiktig med å lese den nøyaktige høyden på en topp.

For selve bootstrappen er gulvet lavere, men fortsatt reelt: `overlap`-pakken bemerker at 40 bootstrap-estimater er det absolutte minimumet for et 95 %-konfidensintervall, 200 for 99 % – men, igjen, du vil ha hundrevis til tusenvis for stabilitet, ikke minimumet.

Klokketid mot soltid: korreksjonen de fleste tilfeldige analyser hopper over

Dette er steget som skiller en nøye aktivitetsanalyse fra en slurvete, og det er usynlig hvis du ikke vet at du skal se etter det. Soloppgang og solnedgang flytter seg gjennom året, og de flytter seg mer jo lenger fra ekvator du er. Slår du sammen bilder på tvers av årstider på en fast klokketidsakse, blir de to toppene til et skumringsaktivt dyr – som egentlig følger grålysning og skumring – smurt ut til brede, utflatede pukler, fordi «grålysning» var 05.00 i juni og 07.30 i desember. Slå sammen over et bredt nok spenn, og du kan til og med fabrikkere en overlapp som ikke er reell: vignettens eksempel med en flaggermus som kommer fram ved solnedgang og en hauk som setter seg til ro ved solnedgang, viser null overlapp i en hvilken som helst enkeltmåned, og likevel viser de sammenslåtte dataene en tilsynelatende overlapp utelukkende fordi solnedgangen flyttet seg.

Løsningen er å uttrykke hvert bildes tidspunkt relativt til sola i stedet for til klokka. Begge hovedpakkene gjør det. I `overlap` «converts a vector of clock times to 'sun times', by mapping sunrise to π/2 and sunset to 3π/2» gjør `sunTime()` dette, gitt datoen og posisjonen til hver registrering. I `activity` forankrer `solartime()` klokketidene til midlere soloppgang og solnedgang for studiens koordinater, og returnerer både en klokketids- og en soltidsversjon, slik at du kan sammenligne dem. Tommelfingerregelen som faller ut av dette: jo lenger fra ekvator du er, og jo mer av året studien din spenner over, jo mer betyr korreksjonen – antakelsene til den underliggende aktivitetsnivåmetoden er eksplisitt «less likely met in large predators, or in high-latitude winters». Nær ekvator, eller for en studie begrenset til et enkelt kort tidsrom, er klokketid som regel greit.

I praksis gjør de nøye studiene det rett og slett. En studie av 61 arter på tvers av kinesiske fjellskoger «converted clock time for each detection to a relative solar time to eliminate the impacts of day-length variation» før de tilpasset kurvene. Platå-rovdyrstudien standardiserte alle opptakstider til soltid med `overlap::sunTime()`, eksplisitt fordi soloppgangen varierte fra 5.30 til 8.30 gjennom året. Den nordirske studien forskjøv hver registrering mot den nærmeste solhendelsen – morgenregistreringer relativt til soloppgang, kveldsregistreringer relativt til solnedgang – slik at en registrering 22.10 med solnedgang 20.00 ble til «−2 t 10 min», et rent mål på hvor dypt inn i natten dyret var aktivt. Satt kameraene dine på ett sted én sommermåned nær tropene, kan du hoppe over dette. Ellers: regn om – og merk deg at aktivitetsfunksjonene i `camtrapR` bruker klokketid, ikke soltid, så trenger du korreksjonen, må du legge den på selv før du plotter.

Dette er steget som skiller en nøye aktivitetsanalyse fra en slurvete, og det er usynlig hvis du ikke vet at du skal se etter det.

Fallgruvene som stille ødelegger et aktivitetsmønster

De fleste verdiløse aktivitetsanalyser ryker ikke på statistikken. De ryker oppstrøms. De tilbakevendende feilmodusene, omtrent i rekkefølge etter hvor ofte de biter:

• Klokkedrift og sommertid. Dekket over, men det er den feilen nummer én som skjer i stillhet: en kameraklokke stilt under sommertid, eller en utplassering hvis klokke rett og slett var feil, gir deg en systematisk forskjøvet kurve uten forvarsel. Verifiser klokkene ved utplassering; still dem til UTC eller vintertid; slå av sommertidsbytte.
• Et uavhengighetsfilter som spiser opp toppen. Et 30- eller 60-minutters filter kan stryke 74–93 % av registreringene til en sosial planteeter og flate ut de travleste timene, mens det knapt rører et sjeldent rovdyr – og skjevvrir både kurvene og enhver sammenligning mellom arter. Fjern serier og åpenbar standing; tenk deg godt om før du tvinger på et fast klokkevindu, og rapporter effekten hvis du gjør det.
• Sammenslåing på tvers av soltid uten å korrigere. Smører ut topper og kan fabrikkere overlapp. Regn om til soltid for data over flere årstider eller på høye breddegrader.
• For få deteksjoner. Under ~100 faller nøyaktighet og presisjon raskt, og en kurve som ser selvsikker ut, fra 18 bilder, er stort sett støy.
• Plasseringsskjevhet – den lumske. Den fortjener sitt eget avsnitt.

Plasseringsfellen er verdt å dvele ved, fordi den lurer nøye folk. Kameraer satt på stier og veier – nettopp der du plasserer dem for å fange rovdyr eller maksimere deteksjoner – registrerer dyr som bruker stier, noe som ikke er det samme som at dyr er aktive. Tanwar og kolleger gjorde det rene eksperimentet i et indisk tigerreservat, der de plasserte stikameraer og tilfeldige kameraer side om side. Stikameraene viste hjortedyr og partåede klovdyr – aksishjort, nilgauantilope, villsvin, gasell – med «predominantly diurnal activity with very few captures at night». De tilfeldige kameraene, som prøvetok landskapet i stedet for stiene, avslørte betydelig nattaktivitet hos de samme artene; nilgauantilopen vippet til og med over til en nattaktiv topp, med en overlapp mellom sti- og tilfeldige estimater så lav som Δ = 0,41. Grunnen er atferdsmessig: «trails are extensively used by predators during night», så de partåede klovdyrene unngår dem etter mørkets frembrudd – et antipredator-grep som får dem til å virke dagaktive for et stikamera. Forfatternes advarsel er en hver aktivitetsstudie bør ta til seg: publiserte aktivitetsmønstre hentet fra rovdyrrettede stiundersøkelser «are likely biased towards diurnal activity». Overlapp-vignetten gjør samme poeng fra den andre siden – et kamera på en sti måler «walking on trails», så to arters overlapp er overlappen i stivandringen deres, og «a browsing herbivore and the carnivore stalking it are probably both 'inactive' by this definition». Løsningen er design: tilfeldige kameraer eller kameraer utenfor sti gir et ærligere aktivitetsbilde, og som et minimum bør du opplyse om at stiplassering skjevvrir mot dagtid.

En siste, finere advarsel: vær forsiktig med å slå sammen heterogene data av et hvilket som helst slag, ikke bare på tvers av årstider. Å kombinere lokaliteter eller perioder med genuint ulik aktivitet blåser opp overlappsestimatene, «and this apparent overlap is an artifact of pooling». Og husk at det du faktisk måler, er deteksjoner på kameraer, som tolker «aktiv» som «beveger seg forbi en sensor» – et reelt, men delvis vindu inn i atferden. Tolk artsinteraksjoner med omhu; vignettens advarende historie er en studie der dhole og villsvin så ut til å dele døgnet, noe som antydet at dhole spiste villsvin – helt til avføringsanalyser viste at dhole stort sett spiste hjortedyr i stedet.

De fleste verdiløse aktivitetsanalyser ryker ikke på statistikken. De ryker oppstrøms.

Hvor dette bærer hen: hierarkiske modeller

Kjernetetthetsestimering er fagets standard, og for de fleste spørsmål er det det rette verktøyet. Men det er verdt å kjenne taket, for metodelitteraturen er aktivt på vei forbi det. Iannarilli og kolleger legger fram begrensningene ved KDE rett ut: det slår sammen data på tvers av lokaliteter og ignorerer dermed variasjon fra lokalitet til lokalitet, noe som gir overdrevent selvsikker usikkerhet; det er følsomt for båndbreddevalget i små utvalg; det kan ikke ta inn kovariater eller formelt teste hypoteser; og det «only consider[s] records in which an animal was detected, discarding information about when sampling was conducted but the species was not recorded». Den siste er subtil, men reell – en KDE kaster bort hver eneste kameratime der ingenting skjedde, selv om disse nullene bærer informasjon om når arten ikke var aktiv.

Det foreslåtte alternativet er hierarkiske modeller – trigonometriske generaliserte lineære blandede modeller (sinus- og cosinusledd med tilfeldige effekter for lokalitet, via `glmmTMB` eller `lme4`) eller GAM-er med sykliske kubiske splines (via `mgcv`) – som binner dataene i tidsintervaller, bruker ikke-deteksjonene, tar høyde for variasjon mellom lokaliteter og lar deg teste hvordan årstid eller en konkurrents nærvær forskyver kurven. I en studie over 100 lokaliteter i Minnesota tallfestet denne tilnærmingen aktiviteten til svartbjørn og prærieulv, samtidig som den avdekket «considerable site-to-site heterogeneity, an aspect that has been largely ignored» av sammenslått KDE. Disse modellene er mer krevende – en vanlig tommelfingerregel er 10 eller flere lokaliteter før man tilpasser tilfeldige effekter – og overkill for en beskrivelse av én art på ett sted. For de fleste lesere er KDE pluss en tydelig oppgitt uavhengighetsregel og en soltidskorreksjon det rette valget i dag. Men dreier spørsmålet ditt seg om kovariater, flere lokaliteter eller formelle hypotesetester, er det her du skal se videre.

Ofte stilte spørsmål