Slik takserer du villsvin med viltkamera: åtetellinger og bestandsestimater

Her er den ubehagelige sannheten som former enhver villsvintelling: det samme åtet som får svina til å dukke opp foran kameraet ditt, kan ødelegge regnestykket du hadde tenkt å kjøre på dem. Hell ut en sekk mais foran et kamera, og du får nydelige, tellbare bilder av en grisefamilie – men du har samtidig trukket dyr mot det punktet fra hele leveområdet deres, og det bryter stille med den viktigste forutsetningen bak de mest populære tetthetsmodellene. Den første avgjørelsen i en villsvintaksering med kamera er derfor ikke hvilket kamera du skal kjøpe. Det er å bestemme hva du faktisk trenger: et tall du kan forsvare som en tetthet, eller en trend du kan følge over tid. De to målene peker mot nesten motsatte feltoppsett.

Denne artikkelen går gjennom det reelle metodeutvalget forvaltere og forskere bruker for å gjøre kamerabilder om til bestandsestimater for villsvin – åtetellinger, minimum kjent bestand, fangst–merking–gjenfangst og romlig merk-gjensyn med øremerkede grisefamilier, Random Encounter Model (REM) og slektningene (REST, time-to-event), N-mixture-modeller og kamerabasert avstandstaksering. For hver av dem er det viktigste spørsmålet det samme: overlever forutsetningene møtet med hvordan villsvin faktisk oppfører seg – og med åtet du legger ut? Det er der gode takseringer vinnes og tapes.

Hvorfor noen teller villsvin i det hele tatt

Det hjelper å huske hva disse tallene er til for, for det avgjør hvor presis du må være. I Norge er villsvin en fremmed art som skal holdes nede, ikke en bestand som skal forvaltes opp. Mattilsynet er tydelig: «I Norge er villsvin definert som en fremmed art, og er vurdert av Artsdatabanken til å utgjøre høy økologisk risiko», og arten ble på Fremmedartslista i 2023 vurdert til kategori HI (høy risiko), nest høyeste kategori. Begrunnelsen er todelt: villsvin «vil kunne ha alvorlig innvirkning på både jordbruk og naturlige økosystemer», og uten tiltak vil bestanden «høyst sannsynlig vokse signifikant og spre seg til nye områder i Norge».

Sykdomsfrykten har skjerpet behovet ytterligere. Afrikansk svinepest (ASF) dreper nær 90 % av infiserte villsvin, og Mattilsynet peker på «stor sannsynlighet for direkte smitte fra villsvin til gris som holdes utendørs, gitt at sykdommer som afrikansk svinepest kommer til Norge fra Sverige». Logikken i norsk forvaltning er at jo færre villsvin vi har, desto mindre er sjansen for at smitten etablerer seg. Den nasjonale handlingsplanen mot villsvin, utarbeidet av Miljødirektoratet og Mattilsynet, satte målsettingen «færrest mulig villsvin på et minst mulig område» – men forvaltningen er ikke samstemt om sluttmålet: Mattilsynet mener «utrydding er målsettingen», mens Miljødirektoratet vil «unngå populasjonsvekst etter at bestanden er skutt ned til et minimum».

Du kan ikke skyte deg ut av et villsvinproblem uten å vite nevneren.

Men en av de viktigste forutsetningene for at planen skal lykkes, er nettopp «å få oversikt over villsvinbestanden og utbredelsen». Og der er kniven på strupen: «I dag finnes det ingen formell overvåking av utbredelsen og utviklingen av bestanden». Det er dette tomrommet kamerataksering forsøker å fylle. Av og til trengs en reell tetthet; ofte holder en forsvarbar indeks for beslutningen.

De to ærlige rammene: indeks vs. absolutt tetthet

Nesten alle metodene under sorterer i én av to bøtter, og å blande dem er den vanligste feilen.

En indeks for relativ mengde er et tall som går opp og ned med bestanden, men som ikke i seg selv er en tetthet – bilder per kameradøgn, åtetak, et beleggsestimat. Indekser er billige, robuste og helt tilstrekkelige for «er denne bestanden større enn i fjor, eller mindre etter at vi jaktet?»

En absolutt tetthet er dyr per arealenhet – tallet du kan gange med forvaltningsarealet for å få en bestandsstørrelse. Det er langt mer krevende, for nå må du gjøre rede for dyrene kameraene ikke så, og det nøyaktige arealet hvert kamera overvåket.

En indeks forteller deg hvilken vei bestanden beveget seg. En tetthet forteller hvor mange som er der. Ikke betal for det ene når du bare trenger det andre.

Resten av artikkelen er ordnet omtrent fra «indeks» mot «absolutt tetthet», fordi det også er omtrent rekkefølgen for økende kostnad og antall forutsetninger.

Åtetellinger: arbeidshesten blant indeksene

Dette er der de fleste forvaltere starter. Tankemodellen er enkel: åte et nett av kamerastasjoner, la svina finne dem, og tell så hva som dukker opp – totalt antall, distinkte grisefamilier, kjønns- og aldersklasser – i et kort, fast vindu.

To praktiske funn gjør slike takseringer effektive. For det første trenger du ikke å la dem stå lenge. Ved forhåndsåtede stasjoner klatrer deteksjonssannsynligheten for alle klasser raskt over 0,5, så noen få døgn per stasjon holder. Det kutter kostnad, begrenser menneskelukt ved åtet, og unngår den perverse effekten at langvarig åting faktisk øker villsvinas overlevelse og produktivitet. For det andre er mye av villsvinets aktivitet nattlig, så for voksne dyr kan du langt på vei taksere om natten med lite tap.

Hva får du? Ikke en tetthet alene – men åtenett-indeksene (belegg, deteksjonssannsynlighet, N-mixture) korrelerer godt nok med dyre tetthetsestimater til å følge trender og vurdere om uttaket virket. Og den åpenbare designspaken holder: flere kameraer gir høyere presisjon.

En merknad om selve åtet

Åtevalg er en designbeslutning, ikke en ettertanke. Husk lærdommen som ligger gjemt i alt dette: åtet som hjelper deg her, er det samme åtet som vil sabotere et REM-tetthetsestimat senere. I norsk villsvinforvaltning er fôring dessuten et tiltak myndighetene vil bort fra – å unngå fôring er en uttalt del av strategien for å holde bestanden nede – så en åtebasert taksering må veies mot at fast fôring i seg selv kan bygge opp den bestanden du forsøker å redusere.

Minimum kjent bestand og fangst–merking–gjenfangst

Hvis en åtetaksering går lenge nok og du kan skille individer, kan du i det minste oppgi en minimum kjent bestand – tellingen av distinkte dyr du positivt identifiserte. Det er et hardt gulv: minst så mange villsvin brukte området. En nyttig fornuftssjekk, men et minimum, ikke et estimat – det sier ingenting om dyrene du aldri fikk på bilde.

Fangst–merking–gjenfangst (CMR) gjør merking om til et reelt estimat. Logikken er klassisk: merk et utvalg dyr, se så hvor stor andel av senere observasjoner som er merket; jo mindre den andelen er, desto større er bestanden. Kameraene kommer inn som gjensyns-leddet: i stedet for fysisk å gjenfange hvert villsvin, lar du kameraene fotografere merkede og umerkede dyr, noe som er langt mindre inngripende.

Haken er at villsvin bare er delvis merkbare. De har ingen naturlige individmerker, så du må fysisk fange og merke et utvalg – som betyr forskningstillatelse, opplært personell og reell kostnad, og det gir opp kameraets ikke-inngripende fortrinn. Det presser feltet i to retninger: mot metoder som trenger bare noen få merkede dyr (romlig merk-gjensyn), og mot metoder som trenger ingen (de umerkede modellene).

Romlig merk-gjensyn og SECR: tetthet fra merkede grisefamilier

Romlig eksplisitt fangst–gjenfangst (SECR) er gullstandarden for merkede arter, og det er det som gir deg tetthet i stedet for en bestand i et ukjent areal. I stedet for bare å telle merker, bruker SECR hvor hver deteksjon skjedde til å estimere hvert dyrs aktivitetssenter og hvordan deteksjon avtar med avstand – så arealet er bygget inn i estimatet, ikke gjettet i etterkant.

Men SECR ble bygd for, og virker best på, dyr som er individgjenkjennelige – tenk gaupe, der hvert individ er en vandrende strekkode i flekkmønsteret. Villsvin er ikke slik. Løsningen er romlig merk-gjensyn (SMR), en utvidelse av SECR for delvis merkede bestander. En spansk studie gjorde nettopp dette for villsvin: de fanget og øremerket sju villsvin (to også med GPS-halsbånd), satte ut 61 kameraer med 500 m avstand, og analyserte merkede og umerkede dyr sammen.

En annen vei til en merket bestand hopper over øremerkene og leser DNA fra ekskrement. Poenget alle takseringsdesignere bør ta inn over seg, er at det ikke finnes én universelt beste metode – den foretrukne metoden avhenger av de unike forholdene i akkurat ditt studiesystem.

De umerkede modellene: tetthet uten individ-ID

Dette er det mest aktive hjørnet av feltet, og grunnen til at kameraer i det hele tatt er et troverdig tetthetsverktøy for villsvin. Disse metodene oversetter rå deteksjonsfrekvens til tetthet uten noensinne å identifisere et individ. De er fristende fordi de fjerner behovet for å fange, merke eller engang skille dyr. De er farlige fordi hver av dem hviler på forutsetninger som villsvinatferd og åting stille kan bryte.

Random Encounter Model (REM)

REM er den grunnleggende, og tankemodellen er virkelig elegant: behandle dyr som gassmolekyler som spretter rundt i et rom, og kameraer som faste detektorer de tilfeldig kolliderer med. Vet du hvor ofte dyr treffer detektoren (møtefrekvensen), hvor fort de beveger seg (daglig forflytning, «day range»), og størrelsen på kameraets deteksjonssone (radius og vinkel), kan du regne deg tilbake til tetthet. REM trenger ingen individgjenkjenning, og fordi den ikke er bundet til å gjenfange samme dyr, kan én taksering estimere tetthet for flere arter samtidig.

REM har nå solid dokumentasjon. Testet mot uavhengige referansemetoder på 13 bestander av hovdyr – villsvin inkludert – og en hare, kom REM ut som «a reliable method for estimating wildlife population density when using appropriate estimates of REM parameters and sampling designs». Brukt i en italiensk park rammet av ASF satte REM villsvintettheten etter utbruddet til 0,27 individer/km² (±0,11) og hentet samtidig parametrene den trenger ut av kameradataene: en daglig forflytning på 9,07 km/døgn og et aktivitetsnivå på 0,49, altså aktive om lag 11,76 timer i døgnet.

Men REM er ubøyelig på inndataene sine, og det er her villsvintakseringer går galt. Den spanske gjennomgangen er klar på feilmodusene: «deficient estimates of day range and encounter rate lead to an overestimation of density, while deficient estimates of detection zone conducted to underestimations». Får du forflytningshastigheten feil, bommer du for høyt; måler du deteksjonssonen feil, bommer du for lavt.

Og så er det forutsetningen som bør tatoveres på armen til enhver REM-bruker. REM forutsetter at kameraer er plassert tilfeldig i forhold til dyrenes bevegelse – de skal ikke rettes inn slik at de blåser opp eller demper møtefrekvensen. Åte gjør nøyaktig det forbudte. Vil du ha REM-tetthet, går kameraene på et systematisk eller tilfeldig nett, uten åte.

REST og time-to-event

REMs største praktiske hodepine er at du trenger dyrets daglige forflytning, som ofte betyr telemetri. De nyere estimatorene angriper dette.

REST (Random Encounter and Staying Time) erstatter forflytningshastighet med oppholdstid – hvor lenge et dyr blir værende i en liten, definert sone foran kameraet, målt rett av videoen. Et japansk team brukte REST inne i en bayesiansk modell som også estimerte fellefangbarhet, satte ut 180 kameraer over 800 km², og fulgte villsvintettheten stige etter vårens fødselspuls og falle gjennom vinterjakta. (En nyttig forvaltningsbonus: de fant at boksfeller fanget om lag 1,7 ganger så effektivt som snarefeller, og at begge toppet om vinteren når sultne villsvin streifer lengre – så fangstinnsats lønner seg mest i de kalde månedene.)

Kamerabasert avstandstaksering (CTDS)

CTDS låner det velprøvde rammeverket fra avstandstaksering og retter det mot kameraer. Du måler avstanden fra kameraet til hvert dyr i bildet, tilpasser en kurve for hvordan deteksjon faller med avstand, og korrigerer for hvor stor andel av tiden dyrene i det hele tatt er tilgjengelige for å bli sett. Det er metoden bak et av de reneste europeiske villsvintallene: i Portugals Peneda-Gerês-park ga et 64-kameranett over 16 km² en villsvintetthet i 2019 på 2,59 individer/km² via CTDS.

N-mixture-modeller

N-mixture-modeller estimerer mengde fra gjentatte tellinger samtidig som de korrigerer for ufullkommen deteksjon, og de har én stor fordel: de krever ikke noe feltarbeid utover selve tellingene. Avveiningen er at de ikke eksplisitt estimerer arealet som er taksert, så de leses best som relativ mengde snarere enn reell tetthet. Kjørt mot REM på samme spanske villsvinbestand over fem vintre var de av samme størrelsesorden – REM satte villsvin til 5,34–7,14/km² – og rådet er forfriskende klart: «when all that is needed are relative population trends, applying NMM may be faster, cheaper».

Metodene i ett blikk

Avstand, innsats og varighet: designspakene

Noen tall går igjen i litteraturen og er verdt å holde på.

Avstand. For SECR-arbeid er regelen å sette «mer enn én felle innenfor artens gjennomsnittlige leveområde» så de samme dyrene fanges på flere kameraer. Villsvinnett ligger tettere: 500 m i den spanske SMR-oppstillingen, om lag 500 m i det portugisiske CTDS-nettet. For umerkede REM-takseringer er ikke kameraavstanden styrt av målarten i det hele tatt, noe som er en del av hvorfor én taksering kan tjene flere arter.

Hvor mange kameraer. Fordi villsvinbestander er romlig klumpete, er presisjon hardt opptjent. En REM-simulering antydet at «ca. 60 kameralokaliteter bør takseres for å oppnå akseptabel presisjon» – en variasjonskoeffisient under 0,20. Det praktiske grepet er å kjøre en styrkeberegning før feltarbeidet, så du dimensjonerer nettet til ønsket presisjon i stedet for å oppdage at det var for lite etterpå.

Varighet. For åtenett er kort bedre: noen få døgn etter forhåndsåting klarerer deteksjonsterskelen for alle klasser. For reell trenddeteksjon forplikter du deg derimot til år: villsvin-trendsammenligningene spente over fem sammenhengende vintre.

Dobbelttelling og deteksjonsskjevhet: der tallene lyver stille

To feilmoduser fortjener egen plass fordi de senker ellers nøye takseringer.

Dobbelttelling. Et villsvin som rusler gjennom bildet, stopper for å rote og utløser førti bilder, er ett dyr, ikke førti hendelser. Disiplinen er å definere en «uavhengig» deteksjon som dyret som går inn i og ut av synsfeltet, og behandle påfølgende bilder av et stillestående dyr som samme hendelse. At villsvin lever i flokk kompliserer det: en grisefamilie er flere dyr som ankommer samtidig, og hvordan du teller grupper går rett inn i tettheten. Slurv med hendelsesdefinisjonen, og møtefrekvensen – og tettheten – blåses opp.

Deteksjonssone-feil. Dette er den stille drapsmannen i kameratettheter. Enhver av disse estimatorene er følsom for arealet foran kameraene, og en forholdsmessig feil i det arealet blir en forholdsmessig feil i tettheten. Løsningen er å måle deteksjonssonen i felt i stedet for å stole på databladet – og gapet er reelt: i den portugisiske takseringen oppdaget mange kameraer dyr bare ut til om lag 10 m selv om sensoren var spesifisert til 30 m.

Den raskeste veien til en selvsikkert feil villsvintetthet er en deteksjonssone du antok i stedet for å måle.

Hvis det er ett sted trail.cam-arbeidsflyten gjør seg fortjent i en slik taksering, er det i den uglamorøse midten: en stor andel av arbeidet i en kamerastudie går til en person som sorterer og klassifiserer bilder, og ett enkelt europeisk villsvinnett genererte nær én million bilder.

Slik gjøres det i Norden

Metoden du griper til er delvis et regionalt vanespørsmål, formet av terreng og politikk. På EU-nivå gjennomgikk det EFSA-finansierte ENETWILD-nettverket atten metoder og anbefalte tre for å estimere villsvintetthet på lokal (forvaltningsenhet-)skala: kamerafeller, drivtellinger og avstandstaksering med termografi; for storskala, langsiktige trender vurderte det høykvalitets jaktstatistikk som mest praktisk og sammenlignbart.

I Norge ligger den koordinerte innsatsen i to spor. Næringsdrevne Villsvinprosjektet – eid av blant andre Norges Bondelag og skogeierandelslagene – jobber med grunneiersamarbeid, jegeropplæring og felling for å holde bestanden nede, i tråd med handlingsplanens mål om «færrest mulig villsvin på et minst mulig område». Den vitenskapelige overvåkingen ligger hos NINA, som gjennom kameranettet SCANDCAM kombinerer kamerafeller med jaktstatistikk. I et arbeid på oppdrag fra Miljødirektoratet satte NINA ut 213 tilfeldig valgte kameralokaliteter i Aremark og Halden, samlet 30 528 kameradøgn med 191 villsvinobservasjoner, og landet på en tetthet på 0,72 individer per kvadratkilometer – uten individgjenkjenning. «Kombinasjonen kamerafeller og jaktstatistikk gir oss muligheten til å overvåke bestanden av villsvin».

Legg merke til det avgjørende ordet: tilfeldig valgte lokaliteter. Det er stikk motsatt av hva jaktinstinktet sier. Henger du kameraet på det beste villsvintråkket eller ved en fôringsplass, blåser du opp deteksjonsfrekvensen og ødelegger regnestykket. Fellingsdataene har dessuten et nasjonalt hjem: Hjorteviltregisteret er «ein nasjonal databank som varetar data frå jakt på hjortevilt og villsvin», så jaktstatistikken som mater modellene rapporteres inn der jegerne uansett melder felling.

Likevel gjenstår grunnproblemet handlingsplanen pekte på: det finnes «ingen formell overvåking av utbredelsen og utviklingen av bestanden». Kameranett alene kan ikke spore langtidstrender uten koordinert, gjentatt innsats – og det er der disiplinen i avsnittene over avgjør om tallene blir til noe verdt.

Ofte stilte spørsmål