Modele zajętości dla fotopułapek: gdy pusta kamera nie znaczy, że zwierzęcia nie ma

Prowadziłeś kamerę na grzbiecie przez trzy tygodnie i ani razu nie sfotografowałeś rysia. Rysia tam nie ma, czy po prostu go przegapiłeś?

To pytanie jest sednem całej gry, a większość analiz odpowiada na nie źle, zakładając, że odpowiedź jest oczywista. Nie jest. Pusty zapis wykryć w zajętej lokalizacji to nie błąd; to spodziewany wynik prostego faktu — twoja kamera nie łapie wszystkiego, co przed nią przejdzie, a zwierzę, które przemierza areał osobniczy znacznie większy niż pole widzenia kamery, spędzi większość czasu gdzieś, gdzie kamera nie patrzy. Potraktuj tę pustkę jako prawdziwą nieobecność, a wpiszesz błąd we wszystko, co jest dalej w łańcuchu: w mapę zasięgu, w model siedliskowy, we wniosek „gatunek zniknął z tej zlewni”. Uprzejma, precyzyjna nazwa tego rodzaju zapisu to nie „nieobecność”. Notatki Gary’ego White’a o zajętości ujmują to bez ogródek: to są dane obecności/pozornej nieobecności, a „niewykrycie gatunku nie oznacza jego nieobecności”.

Modelowanie zajętości to aparat zbudowany właśnie po to, by potraktować to poważnie. Zamiast liczyć zwierzęta, zadaje pytanie łatwiejsze do odpowiedzi — czy ta lokalizacja jest zajęta, czy nie? — i szacuje dwie rzeczy naraz: ψ (psi), prawdopodobieństwo, że lokalizacja jest zajęta, oraz p, prawdopodobieństwo, że wykryjesz gatunek podczas danej kontroli, pod warunkiem że tam jest. Sztuczka, dzięki której to działa, jest niemal zawstydzająco prosta: skontroluj każdą lokalizację więcej niż raz. Jeśli wykryjesz gatunek choć raz, wiesz, że ta lokalizacja była zajęta przez cały czas, co oznacza, że każda pusta kontrola w tej lokalizacji to było przeoczenie, a nie nieobecność — a częstość tych przeoczeń to dokładnie ta informacja, której potrzebujesz, by oszacować p, a następnie skorygować ψ dla wszystkich lokalizacji, w których nie zobaczyłeś nic.

To tekst metodyczny dla ludzi, którzy naprawdę będą go stosować: badaczy, gospodarzy łowisk i zarządców dzikiej fauny oraz poważnej części nauki obywatelskiej. Zbudujemy od podstaw, dlaczego naiwna zajętość jest obciążona, jak działają model jednosezonowy i modele dynamiczne, czego założenia naprawdę od ciebie wymagają, gdzie konkretnie fotopułapki wykładają model na łopatki i po które oprogramowanie sięgnąć. To bliski kuzyn dwóch innych pytań — jak w ogóle rozmieścić kamery oraz jak zamienić wykrycia w zagęszczenie zwierząt — ale pytanie odrębne i tak je potraktujemy. Jeśli chcesz warstwy projektowania sieci kamer, zajrzyj do; jeśli chcesz liczby z jednostką zwierzęta-na-km², zajrzyj do.

Dlaczego „naiwna zajętość” to zła linia startu

Zacznij od pokusy, którą czuje każdy. Masz siatkę lokalizacji kamer i zapis dla każdej: czy docelowy gatunek się pokazał, czy nie? Oczywisty ruch to nazwać odsetek lokalizacji, w których się pokazał, swoim oszacowaniem zajętości. To naiwna zajętość — i jest ona obciążona w dół, za każdym razem, o wielkość, której nie widzisz i której nie da się ograniczyć bez dodatkowej informacji.

Oto mechanizm, na razie bez matematyki. Załóżmy, że gatunek naprawdę zajmuje 60 ze 100 twoich lokalizacji. W 60 zajętych lokalizacjach kamera wykrywa go, powiedzmy, w 40 z nich i przegapia w pozostałych 20. Twoje naiwne oszacowanie to 40/100 = 0,40. Prawda wynosiła 0,60. Nie zmierzyłeś zajętości; zmierzyłeś zajętość razy wykrywalność, splątane ze sobą, i zgłosiłeś ten iloczyn tak, jakby był tym, na czym ci zależało. Im niższe twoje prawdopodobieństwo wykrycia, tym gorsza luka — a prawdopodobieństwa wykrycia są niskie. W ilościowym przeglądzie 537 prac ekologicznych Kellner i Swihart stwierdzili, że wśród badań, które faktycznie to zgłosiły, 70% miało oszacowania wykrycia na kontrolę poniżej 0,5. Większość kontroli, przez większość czasu, przegapia gatunek częściej, niż go łapie.

Robi się gorzej w chwili, gdy zrobisz z danymi cokolwiek ciekawego. Klasyczna demonstracja to praca Gu i Swiharta „Absent or undetected?”, która pokazała, że gdy twoje prawdopodobieństwo wykrycia gatunku samo jest skorelowane ze zmienną siedliskową — a zwykle jest; w niektórych typach pokrycia terenu zwierzęta łatwiej sfotografować niż w innych — ta korelacja przecieka do twoich oszacowanych współczynników siedliskowych i obciąża je, w tę lub inną stronę zależnie od zaangażowanych znaków. W ich ilustracji na odłowach drobnych ssaków błąd niewykrycia sięgał od 0% do 23% w siedmiu gatunkach po pięciu dniach próbkowania. Więc model, który mówi ci „ten gatunek uwielbia gęste zarośla”, może mówić ci nie więcej niż „ten gatunek łatwiej złapać w gęstych zaroślach”. Te same dane, przeciwne znaczenie.

Naiwne oszacowanie zajętości to nie zajętość — to zajętość razy wykrywalność, zgłoszona tak, jakby ta druga liczba wynosiła 1.

Oto uzasadnienie dodatkowej pracy. Teraz sama praca.

Model jednosezonowy, zbudowany od jednej lokalizacji

Wszystko zaczyna się od statycznego modelu jednosezonowego: jedna migawka w czasie, podczas której zakładamy, że stan zajętości lokalizacji się nie zmienia. Wybierz lokalizacje, skontroluj każdą kilka razy w oknie na tyle krótkim, by nic się nie wprowadzało ani nie wyprowadzało, i zapisz, co zobaczyłeś, jako historię wykryć — ciąg jedynek (wykryto) i zer (nie wykryto), po jednej cyfrze na kontrolę.

Model ma dwie ruchome części. Lokalizacja jest zajęta z prawdopodobieństwem ψ albo niezajęta z prawdopodobieństwem 1−ψ. Jeśli jest zajęta, wykrywasz gatunek podczas każdej kontroli z prawdopodobieństwem p albo przegapiasz go z prawdopodobieństwem 1−p. I — to jest nośne założenie, do którego wrócimy — jeśli lokalizacja jest niezajęta, nie możesz wykryć gatunku w ogóle. Z tych elementów da się zapisać prawdopodobieństwo dowolnej historii wykryć. Wersja rozpisana w podręczniku MARK jest najczytelniejsza, jaką znam. Dla historii „01” (przegapiono w kontroli pierwszej, wykryto w drugiej) prawdopodobieństwo wynosi:

ψ (1 − p₁) p₂ — lokalizacja jest zajęta, przegapiłeś ją za pierwszym razem, złapałeś za drugim.

Ciekawa jest historia samych zer, „00”. Nie zobaczyłeś nic. Czy to znaczy, że lokalizacja jest pusta? Model odmawia takiego założenia. Jej prawdopodobieństwo wynosi:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Przeczytaj to na głos, bo to cała filozofia w jednej linii: albo lokalizacja była zajęta i przegapiłeś gatunek w obu kontrolach (lewy człon), albo lokalizacja naprawdę nie była zajęta (prawy człon). „+” to logiczne LUB. Pusty zapis jest zgodny z obiema historiami, a model utrzymuje obie przy życiu, ważąc je tym, jak często wykrywasz gatunek w lokalizacjach, w których go widziałeś. Stąd bierze się korekta. Uruchom tę funkcję wiarygodności naraz na wszystkich lokalizacjach, a otrzymasz ψ, które uwzględnia zwierzęta, których nie sfotografowałeś.

Porównaj to ze starym sposobem — regresją logistyczną obecności względem siedliska — która „zakłada, że gatunek był nieobecny w lokalizacjach, w których go nie wykryto, i dlatego wiadomo, że wnioskowanie jest obciążone, gdy prawdopodobieństwo wykrycia gatunku w lokalizacji jest mniejsze niż jeden”. Modelowanie zajętości to w gruncie rzeczy ta jedna poprawka, zastosowana uczciwie.

W R jest to funkcja `occu()` w pakiecie unmarked: budujesz obiekt `unmarkedFrameOccu` ze swojej macierzy wykryć i dopasowujesz go podwójną formułą — jedna część na wykrywalność, druga na zajętość. Do oprogramowania jeszcze wrócimy. Najpierw dane, którymi te modele się żywią, bo dla fotopułapek to właśnie tam kryją się prawdziwe decyzje.

Zamiana rolki z kamery w historię wykryć

Badanie ptaków przychodzi już wstępnie podzielone na okazje: odwiedziłeś mokradło we wtorek, czwartek i sobotę — trzy kontrole. Fotopułapka tak nie działa. Pracuje w sposób ciągły przez tygodnie i wręcza ci stos zdjęć ze znacznikami czasu. Zanim jakikolwiek model zajętości to tknie, musisz posiekać wdrożenie na dyskretne okazje samodzielnie, a to, jak posiekasz, zmienia twoją odpowiedź.

Narzędziem, którego używa większość ludzi, jest `detectionHistory()` z camtrapR, które bierze twoje rekordy i `occasionLength` i produkuje macierz wykryć/niewykryć, jakiej oczekuje unmarked albo jego bayesowscy kuzyni — a co ważne, pozwala przenieść wzdłuż niej aktywny wysiłek kamery, tak by stanowisko, które działało dziesięć dni, nie było traktowane jak takie, które działało trzydzieści. Kwestią osądu jest długość okazji, a elementarz Sollmann klarownie rozkłada ten kompromis:

• Za krótko (powiedzmy, okazje dobowe) i twoja macierz wypełnia się zerami. Ściana zer spycha oszacowanie wykrywalności ku zeru i może rozbić model numerycznie.
• Za długo i wyrzucasz informację — piętnaście osobnych fotografii lisa w jednej lokalizacji zapada się w pojedynczą „1”, a ty odrzuciłeś wszystko, co powtórne wizyty miały ci powiedzieć o p.
• Trzymaj długość stałą. Prawdopodobieństwo wykrycia rośnie z długością okazji, więc jeśli twoje okazje (albo wysiłek w ich obrębie) się różnią, musisz wprowadzić długość okazji lub wysiłek jako współzmienną na wykrywalność albo pogodzić się z obciążonym p.

Jest subtelniejsza, specyficzna dla kamer pułapka, którą praca Goldsteina i współpracowników z 2024 roku obłożyła liczbą: autokorelacja czasowa. Zwierzę sfotografowane przy kamerze dziś jest bardziej prawdopodobnie sfotografowane tam jutro — używa tego miejsca. Standardowe modele zajętości zakładają, że twoje powtórne wykrycia są niezależne, a gdy nie są, model odczytuje skupione wykrycia jako wyższą stopę wykrywalności, niż jest naprawdę, a potem wnioskuje, że lokalizacje bez wykryć są zapewne puste — obciążając zajętość w dół. Ich werdykt otrzeźwia: autokorelacja jest „prawdopodobnie powszechna w danych z fotopułapek i wiele wcześniejszych badań zajętości opartych na danych z fotopułapek mogło systematycznie niedoszacowywać prawdopodobieństw zajętości”. Ich środki zaradcze są praktyczne i warte zapamiętania: sprawdź jej obecność testem dobroci dopasowania metodą zliczeń łączeń (join-count); jeśli występuje, użyj większych okien wykrywania, by wchłonąć skupienie; i nie próbuj jej naprawić, zostawiając luki między okazjami — luki nie usuwają struktury czasowej, a jedynie wyrzucają dane.

Posiekaj wdrożenie kamery na okazje zbyt drobno, a model utonie w zerach; zbyt grubo, a wyrzucisz powtórne wykrycia, które sprawiają, że w ogóle działa.

Prawdopodobieństwo wykrycia nigdy nie jest stałe — więc je modeluj

Naiwny obraz zakłada jedno prawdopodobieństwo wykrycia dla wszystkiego. Rzeczywistość, z tego samego przeglądu 537 prac, jest taka, że gdy badacze zadali sobie trud sprawdzenia, czy wykrywalność jest stała, w 86% przypadków istotnie się zmieniała. Pogoda, pora roku, położenie kamery na ścieżce lub poza nią, obserwator, księżyc — wszystko to porusza p. Dobra wiadomość jest taka, że aparat zbudowano właśnie do tego: możesz modelować zajętość ψ jako funkcję współzmiennych lokalizacji (siedlisko, wysokość n.p.m., odległość od drogi) oraz **wykrywalność p jako funkcję współzmiennych lokalizacji i kontroli** (wysiłek, temperatura, pora roku).

Jedna osobliwość warta wchłonięcia: ponieważ zajętość zakłada się jako stałą w obrębie sezonu, współzmienne, które nakładasz na ψ, powinny być rzeczami, które nie zmieniają się w tym sezonie — na poziomie lokalizacji, stałe w czasie. Wykrywalność p, dla odmiany, może chętnie przyjmować współzmienne zmienne w czasie, bo mierzysz ją kontrola po kontroli.

Jest też rodzaj heterogeniczności wykrywania, którego zwykle nie widzisz i nie wstawisz jako współzmiennej: zmienność napędzana tym, ile zwierząt faktycznie jest w lokalizacji. Lokalizacja z ośmioma osiadłymi lisami sfotografuje „lisa” znacznie chętniej niż lokalizacja z jednym przechodzącym. Royle i Nichols zamienili to utrapienie w model. Ich kluczowy wgląd jest taki, że zmienność liczebności wywołuje zmienność prawdopodobieństwa wykrycia, przez czystą zależność — szansa wykrycia gatunku w lokalizacji to jeden minus szansa przegapienia każdego osobnika, który tam jest:

pᵢ = 1 − (1 − r)^{Nᵢ}, gdzie r to prawdopodobieństwo wykrycia na osobnika, a Nᵢ to lokalna liczebność w lokalizacji i.

Więcej zwierząt, wyższa wykrywalność na poziomie lokalizacji. Odwróć to, a możesz wydobyć zgrubne oszacowanie liczebności z niczego więcej niż powtórne dane wykryć/niewykryć, nigdy nie znakując osobnika — to model Royle’a–Nicholsa. Głębsza lekcja, słowami samych Royle’a i Nicholsa, jest taka, że ignorowanie tego rodzaju heterogeniczności to „faktyczne założenie stałej liczebności między lokalizacjami”, co rzadko jest tym, co masz na myśli. Późniejsza praca Royle’a uogólniła ten punkt: gdy wykrywalność zmienia się między zajętymi lokalizacjami, a ty zostawisz to niemodelowane, twoje oszacowanie zajętości jest obciążone w dół. Heterogeniczność wykrywania to nie przypis. To drugi największy sposób, w jaki te modele idą źle, zaraz po udawaniu, że wykrywalność w ogóle jest doskonała.

Gdy zajętość się zmienia: model dynamiczny

Model jednosezonowy to fotografia. Czasem potrzebujesz filmu — czy gatunek rozprzestrzenia się na nowy teren, czy gaśnie w miejscach, gdzie kiedyś bywał? To dynamiczny, wielosezonowy model, rozszerzenie MacKenziego i współpracowników z 2003 roku i jedna gałąź rodziny modeli, która od tego czasu rozrosła się, obejmując wiele stanów, wspólnoty i fałszywe pozytywy. Dokłada dwa parametry, które są całym sednem:

• Kolonizacja (γ, gamma): prawdopodobieństwo, że lokalizacja, która była niezajęta w jednym sezonie, staje się zajęta w następnym.
• Lokalne wymieranie (ε, epsilon): prawdopodobieństwo, że lokalizacja, która była zajęta, staje się niezajęta.

Struktura odzwierciedla plan „robust design” Pollocka: masz okresy pierwotne („sezony”, między którymi zajętość może się zmieniać), a w każdym z nich kontrole wtórne (twoje powtórne wizyty, podczas których nie może). Ostrzeżenie co do słowa „sezon”, bo ludzi ono zwodzi: w modelowaniu zajętości nie znaczy ono zimy ani lata. Jak stwierdza wprost pewne badanie drapieżników, „w modelu zajętości słowo »sezon« niekoniecznie oznacza sezon geograficzny… oznacza po prostu okres, w którym zbierano dane”. Twoje sezony to mogą być trzy kolejne lata albo lato-i-zima powtarzane przez dekadę. Modelowi jest wszystko jedno, jak je nazwiesz; zależy mu na tym, by zajętość była zamknięta w obrębie każdego i otwarta między nimi.

Dwa badania fotopułapkowe pokazują, jak model zarabia na swoje utrzymanie. W trzyletnim badaniu lamparta chińskiego, kota bengalskiego i lisa rudego w chińskim rezerwacie przyrody zespół użył modelu dynamicznego, by zapytać, czy zajętość każdego drapieżnika jest stabilna, czy się przesuwa, i powiązał kolonizację oraz zanikanie z wysokością n.p.m. i zaburzeniem przez człowieka — stwierdzając, że zajętość jest dość stabilna, przy czym wysokość znaczyła więcej niż odległość od wsi czy dróg. Byli też szczerzy co do centralnego napięcia: modele dynamiczne zakładają, że lokalizacje są zamknięte podczas kontroli, ale „mogą być »otwarte« między sezonami”, a ta otwartość „wprowadza heterogeniczność, która… powoduje obciążenie oszacowań”, które współzmienne mogą wchłonąć tylko częściowo.

Najbardziej pouczającym przykładem jest jedenastoletni, ośmiogatunkowy zbiór danych z fotopułapek z północno-zachodniej Anatolii w Turcji. Zorganizowali go jako 11 sezonów letnich i 11 zimowych — 22 okresy pierwotne — i modelowali, jak użytkowanie lokalizacji przez każdy gatunek przesuwa się wraz z porą roku, wysokością n.p.m. i gęstością zaludnienia, dopasowując to wszystko w aparacie bayesowskim z JAGS i sprawdzając dopasowanie bayesowską wartością p. Ich wynik był czystym argumentem za pójściem w dynamikę od samego początku: każdy gatunek wykazał sezonowość w użytkowaniu siedliska, ale siła tej sezonowości różniła się między gatunkami, więc pojedyncza roczna migawka uśredniłaby ten sam wzorzec, o który im chodziło. Jeśli twoje zwierzęta przemieszczają się w ciągu roku — a większość tak robi — model statyczny po cichu cię okłamuje co do ruchomego celu.

„Sezon” w modelu zajętości to nie zima ani lato — to po prostu okno, w którym zdecydowałeś, że zajętość stoi w miejscu.

Założenia i to, ile cię kosztują

Tu dobrzy praktycy oddzielają się od naśladowców kultu cargo. Modele zajętości opierają się na krótkiej liście założeń, a dyscypliną jest wiedzieć, które z nich naginasz i co to robi twojej odpowiedzi. Rozdział MARK wymienia pięć; opracowaniem na miarę książki, jeśli chcesz każdy niuans i dowody stojące za nimi, jest Occupancy Estimation and Modeling MacKenziego i współpracowników.

Trzy z nich zasługują na bliższe spojrzenie dla każdego, kto pracuje z kamerami.

Zamknięcie i uczciwy odwrót do „użytkowania”. Kamera obserwuje kilka metrów kwadratowych ścieżki; areał osobniczy wilka to setki kilometrów kwadratowych. Zwierzę nieustannie wchodzi i wychodzi z pola widzenia kamery, co ściśle narusza zamknięcie. Dojrzała, uczciwa odpowiedź tej dziedziny to reinterpretacja parametru: gdy szeroko wędrujący gatunek jest w ten sposób losowo dostępny, twoje oszacowania zajętości są nadal nieobciążone, ale ψ należy odczytać jako prawdopodobieństwo, że lokalizacja jest „użytkowana” przez gatunek, a nie ściśle zajęta. Badanie tureckie zrobiło dokładnie tak i powiedziało to wprost — ponieważ lokalizacja kamery „może pokrywać jedynie niewielką część areału osobniczego osobnika”, ich analiza „szacuje prawdopodobieństwo użytkowania lokalizacji, a nie zajętości”, więc pisali „użytkowanie” w całym tekście i przemianowali lokalne wymieranie na „porzucenie”. To nie słabość do ukrycia; to poprawna interpretacja, a jej wypowiedzenie jest znakiem kogoś, kto rozumie model.

Niezależność i pułapka sieci kamer. Oto jedna, która gryzie właśnie ludzi od kamer. Autorzy MARK podają dokładny scenariusz: „jeśli fotopułapki są rozmieszczone blisko siebie, pojedynczy osobnik może zostać wykryty przy wielu kamerach (lokalizacjach) w danym tygodniu (kontroli)”. Gdy tak się dzieje, twoje lokalizacje nie są niezależne — to samo zwierzę generuje „wykrycia” w kilku z nich — więc liczba kamer zawyża liczbę niezależnych jednostek w twoim badaniu. Szkoda jest podstępna: twoje oszacowanie zajętości często pozostaje z grubsza poprawne, ale twoja niepewność jest zaniżona — przedziały ufności zbyt wąskie, fałszywe poczucie precyzji. Lekarstwo mieszka na etapie projektowania: rozstaw kamery na tyle daleko od siebie, by zapewnić niezależność. (To inne pytanie niż w tym artykule, i dobre —.)

Brak fałszywych pozytywów i dlaczego AI podnosi stawkę. Każdy z powyższych modeli zakłada, że jeśli zarejestrowałeś gatunek, to naprawdę tam był. Standardowe modele zajętości wychodzą ze skóry dla fałszywych negatywów — przegapienia obecnego zwierzęcia — ale zakładają, że fałszywe pozytywy nigdy się nie zdarzają. A zdarzają się. Miller i współpracownicy zbudowali założycielski model obsługi obu typów błędu po tym, jak kontrolowane eksperymenty pokazały, że nawet wysoko wyszkoleni obserwatorzy błędnie identyfikują gatunki jako obecne, gdy są nieobecne. Ich ostrzeżenie jest ostre: „obciążenie estymatorów zajętości, kolonizacji i wymierania może być poważne, gdy pojawiają się fałszywe pozytywy”, a niemodelowana błędna identyfikacja przeszacowuje zajętość. Ma to teraz większe znaczenie niż wtedy, gdy to napisano, bo automatyczne klasyfikatory gatunków popełniają dokładnie ten błąd — pewnie etykietując kojota jako wilka, żbika jako rysia. Błędnie sklasyfikowane wykrycie to fałszywy pozytyw w sensie technicznym, a jeśli podasz niezweryfikowaną, automatycznie oznakowaną historię wykryć prosto do modelu zajętości, możesz modelować pomyłki klasyfikatora jako ekspansję zasięgu. Obronny przepływ pracy, na który wskazuje aparat Millera, polega na zachowaniu podzbioru wykryć, które są zweryfikowane — typu potwierdzonego przez człowieka, dla którego można założyć brak fałszywych pozytywów — i pozwoleniu, by model oparł się na nich.

Dla szeroko wędrujących zwierząt na kamerach rzadko szacujesz ścisłą zajętość — szacujesz użytkowanie lokalizacji, a uczciwe prace tak właśnie piszą.

Więcej niż jeden gatunek naraz

Jeśli masz siatkę kamer, niemal nigdy nie masz jednego gatunku — masz wspólnotę, której większość jest fotografowana zbyt rzadko, by modelować ją po jednym gatunku naraz. Wielogatunkowe (wspólnotowe) modele zajętości łączą informację między gatunkami, tak by te bogate w dane pomagały oszacować te ubogie w dane, wciąż korygując każdy o jego własne prawdopodobieństwo wykrycia. Badanie Richa i współpracowników nad wspólnotą ssaków w północnej Botswanie to dobry sztandar: 44 gatunki na przestrzeni 6 607 nocy pułapkowych, średnie prawdopodobieństwo występowania gatunku 0,32 i mapa tego, które siedliska i obszary chronione mieściły najwięcej różnorodności — a wszystko to przy uwzględnieniu faktu, że różne gatunki są fotografowane w skrajnie różnym tempie.

Uczciwe zastrzeżenie pochodzi od Guillery-Arroity i współpracowników: modele wspólnotowe potrafią oszacować bogactwo gatunkowe, w tym zgadnąć gatunki nigdy w ogóle niewykryte, ale to zgadywanie o niewykrytych opiera się silnie na strukturze i założeniach modelu, a nie na danych, które faktycznie zebrałeś — więc interpretuj liczby bogactwa na poziomie wspólnoty ze stosowną pokorą. Model jest potężny; nie jest kryształową kulą dla gatunków, których twoje kamery nigdy nie widziały.

Ile wizyt, zanim „nieobecny” coś znaczy?

To pytanie, które zarządcy naprawdę zadają: skontrolowałem i nic nie znalazłem — teraz mogę powiedzieć, że gatunku tu nie ma? Odpowiedź z zajętości jest odświeżająco konkretna: nigdy nie możesz powiedzieć „nieobecny” z pewnością, ale możesz uczynić prawdopodobieństwo przegapienia obecnego gatunku tak małym, jak zechcesz, piętrząc szanse wykrycia. Jeśli twoja wykrywalność na kontrolę to p, prawdopodobieństwo, że przegapisz zajętą lokalizację w k niezależnych kontrolach, wynosi (1−p)^k — małe p oznacza po prostu, że potrzebujesz więcej k. Literatura projektowania badań ujmuje to od praktycznej strony: zdecyduj, jak pewny musisz być, a potem przydziel dość wizyt i wysiłku na wizytę, by podbić skumulowane prawdopodobieństwo wykrycia do tego poziomu. Dla kamer „więcej wizyt” zwykle znaczy „zostaw ją dłużej”, co jest najtańszym pokrętłem, jakie masz. I nie zawsze potrzebujesz badania zaprojektowanego pod kątem tego celu: Wevers i współpracownicy zbudowali modele zasięgu dzika i sarny w szwajcarskiej Jurze z przypadkowej fotopułapkowej „przyłowu” — wykryć, które nagromadziły się podczas zimowych badań dzikiej fauny wycelowanych w coś innego — najpierw modelując wykrywalność, a potem korygując o nią. Wykrycia, które już masz, często mogą odpowiedzieć na pytanie o zajętość, o ile uwzględnisz, jak niedoskonale je zebrałeś.

A gdy stawka jest wysoka — gatunek zagrożony, decyzja o siedlisku krytycznym — zachowawczą postawę argumentują Bennett i współpracownicy: ponieważ niedoskonała wykrywalność jest normą, a dla większości gatunków priorytetowych brak nam dobrych oszacowań wykrywalności, „nieobecność w badaniach należy uznawać jedynie za poszlakę”, a siedlisko krytyczne należy traktować jak zajęte, nawet gdy obecność nie jest potwierdzona. Brak wykrycia to dowód, a nie dowód rozstrzygający, a to, jak silny jest ten dowód, zależy całkowicie od tego, jak mocno szukałeś.

Nigdy nie udowodnisz, że gatunek jest nieobecny — możesz jedynie uczynić szansę na jego przegapienie tak małą, na ile jesteś skłonny popracować.

Oprogramowanie, w skrócie

Nie musisz ręcznie kodować funkcji wiarygodności. Ekosystem jest dojrzały, a to, które narzędzie wybierzesz, zależy głównie od tego, ile chcesz kodować i jak duży lub złożony jest twój problem.

Typowy potok fotopułapkowy biegnie camtrapR → unmarked (albo ubms / spOccupancy), z PRESENCE jako bezkodową alternatywą. Jeśli uczysz się aparatu od zera, pakiet USGS `occupancyTuts` to naprawdę dobry punkt wejścia: 28 interaktywnych samouczków obejmujących model jednosezonowy, dynamiczny, projektowanie badań i modele pochodne, z filmami i ćwiczeniami.

Jedna łagodna uwaga o przepływie pracy, bo to wąskie gardło, zanim jakiekolwiek z tego oprogramowania w ogóle ruszy: modele zajętości potrzebują czystych historii wykryć, a wolna część to niemal zawsze przesiewanie tysięcy zdjęć w poszukiwaniu tej garstki z twoim docelowym gatunkiem — i nieoznakowanie ich błędnie, co, jak widzieliśmy, jest fałszywym pozytywem, który model przyjmie za dobrą monetę.

Zajętość to prawdziwa wielkość — nie zamieniaj jej po cichu w liczebność

Dyscyplina na koniec, bo to najczęstsze nadużycie. Zajętość jest uprawnioną, użyteczną wielkością samą w sobie — odsetek użytkowanych lokalizacji, jak przesuwa się wraz z siedliskiem, jak zmienia się przez lata. Czym nie jest, to zastępnikiem liczebności. Sollmann mówi wprost: „zajętości nie należy błędnie interpretować jako wskaźnika liczebności”, bo zależność między jednym a drugim zależy od wielkości areału i zachowania gatunku. Lokalizacja może odczytać się jako „zajęta”, niezależnie od tego, czy używa jej jedno zwierzę, czy pięćdziesiąt. Jeśli liczbą, której naprawdę potrzebujesz, są zwierzęta na kilometr kwadratowy, zajętość to zły model i chcesz zamiast tego rodziny metod zagęszczenia. Używaj zajętości do tego, w czym jest genialna — gdzie gatunek jest i dokąd zmierza — i pozwól jej się na tym zatrzymać.

Najczęstsze pytania