Jak oszacować zagęszczenie zwierząt z fotopułapek bez znakowania osobników

Kamera, która wyzwoli się tysiąc razy, mówi niemal nic o tym, ile zwierząt żyje przed jej obiektywem. Może to być tysiąc różnych jeleni przechodzących po jednym razie albo jeden zuchwały lis, który odkrył, że obiektyw stanowi satysfakcjonującą zabawkę do gryzienia. Ta dwuznaczność — wiele ruchliwych osobników kontra jeden zapracowany rezydent — jest istotą całego problemu. Właśnie dlatego surowy „wskaźnik wykrywalności” nigdy nie był wiarygodną walutą i dlaczego przez dziesięciolecia szacowanie zagęszczenia z fotopułapek oznaczało tygrysy, lamparty i niewiele więcej: aby zastosować metodę powtórnych stwierdzeń, potrzebne były futra rozpoznawalne indywidualnie.

Większość gatunków nie ma pręg. Lis rudy to lis rudy. Powstała więc rodzina metod, które robią coś, co brzmi niemal zbyt sprytnie — szacują zagęszczenie bezwzględne, liczbę zwierząt na kilometr kwadratowy, na podstawie nieoznakowanych zwierząt, których nie da się od siebie odróżnić. Oto przewodnik po tej rodzinie: model losowego spotkania (Random Encounter Model, REM) i jego potomkowie, czego każda z metod naprawdę od ciebie wymaga oraz w jaki dokładnie sposób każda z nich cię okłamie, jeśli nie zachowasz ostrożności. Żadna nie jest magiczna i — co ważne — żadna nie jest odpowiedzią uniwersalną. Uczciwy stan tej dziedziny to zestaw kompromisów, a nie zwycięzca.

Jeśli czytałeś nasze teksty o lub o, oto warstwa analityczna, która leży pod spodem: kamery są rozstawione, masz wykrycia, teraz chcesz liczby z jednostką na końcu.

Dlaczego „po prostu policz zdjęcia” nigdy nie miało prawa zadziałać

Dwie rzeczy psują naiwne podejście. Po pierwsze, wspomniany już problem tożsamości osobnika: wykrycia nie przekładają się czysto na zwierzęta. Po drugie, i subtelniej, ruch zwierząt rozmazuje powierzchnię próbkowania. Kamera próbkuje jakiś skrawek terenu, ale jak duży jest ten skrawek? Zależy to od tego, jak daleko zwykle wędrują zwierzęta, które próbujesz policzyć, a tego zazwyczaj nie wiesz. Bez zdefiniowanej powierzchni próbkowania oszacowanie liczebności nie ma mianownika — nie ma jasnej przestrzeni, do której się odnosi.

Dziedzina dzieli się więc w istocie według tego, jak każda metoda radzi sobie z tym problemem przestrzeni. Niektóre szacują liczebność przy kamerze bez żadnego odniesienia przestrzennego i każą ci potem przypisać ją do jakiejś powierzchni. Niektóre wbudowują powierzchnię w model wprost. A niektóre — te, na których opiera się ten przewodnik — szacują zagęszczenie bezpośrednio w obrębie zbiorczego pola widzenia kamer i zakładają, że to pole widzenia reprezentuje szerszy krajobraz. To ostatnie założenie, „kamery widzą reprezentatywną próbę”, wykonuje ogromną pracę i właśnie dlatego dyscyplina rozmieszczenia okazuje się ważniejsza niż jakikolwiek wybór modelu.

Oto liczba, która powinna zmienić sposób myślenia o całym tym przedsięwzięciu. Przegląd 927 badań fotopułapkowych opublikowanych w latach 2014–2019 wykazał, że jedynie około 5,5% stosowało jakąkolwiek metodę szacowania liczebności. Przytłaczająca większość sięgała po wskaźniki względnej liczebności, occupancy albo zachowanie. Metody opisane poniżej nie są utartą ścieżką domyślną. Są rubieżą i nagradzają tych, którzy rozumieją ich założenia, zamiast traktować je jak czarną skrzynkę.

Kamera, która wyzwoli się tysiąc razy, mówi niemal nic o tym, ile zwierząt żyje przed jej obiektywem.

Model losowego spotkania: zwierzęta jak cząsteczki gazu

REM jest założycielem, a jego centralna idea jest zapożyczona, w piękny sposób, z fizyki dziewiętnastego wieku. Fizycy modelowali, jak często zderzają się cząsteczki gazu. Rowcliffe i współpracownicy zrozumieli, że zwierzęta wpadające w strefę wykrywania kamery to ten sam rodzaj procesu. Potraktuj zwierzęta jak cząstki gazu doskonałego poruszające się losowo w przestrzeni, a tempo, w jakim wyzwalają kamerę, staje się przewidywalną funkcją tego, ile ich jest, jak szybko się poruszają i jak duża jest strefa wykrywania.

W praktyce oznacza to, że REM skaluje wskaźnik wykryć do zagęszczenia za pomocą czterech składników: średniej wielkości grupy i dobowego zasięgu przemieszczeń (jak daleko zwierzę przemieszcza się w ciągu doby) po stronie biologii oraz promienia i kąta strefy wykrywania kamery po stronie sprzętu. Zdobądź nieobciążone oszacowania tych wielkości, rozstaw kamery bez obciążenia, a zdjęcia dadzą ci zagęszczenie.

Pierwotny test terenowy jest pouczający właśnie ze względu na to, gdzie zawiódł. W ogrodzonym angielskim parku dzikich zwierząt o znanej liczebności REM trafił w trzy z czterech gatunków z dokładnością do 22% rzeczywistego stanu. Czwarty — mały torbacz zwany marą — wyszedł 86% za nisko. Powodem nie był model. Chodziło o to, że około 90% mar żerowało na otwartych trawnikach, gdzie badacze celowo nie umieścili kamer, aby nie fotografować zwiedzających. Ta lekcja odbijała się echem w każdej późniejszej pracy: w chwili, gdy pozwolisz, by rozmieszczenie kamer korelowało z tym, gdzie są zwierzęta, REM się załamuje. Nie celuj w ścieżki, tropy, wodopoje ani przynęty, by podbić wskaźnik wykryć — narusza to model obserwacji i „nie może dać nieobciążonych oszacowań zagęszczenia”.

Drugim powracającym bólem głowy jest dobowy zasięg przemieszczeń. Ustalenie bez obciążenia, jak daleko twoje badane zwierzęta przemieszczają się na dobę, jest naprawdę trudne. Skróty allometryczne (szacowanie dobowego zasięgu na podstawie rozmiarów ciała) „wprowadzają duże obciążenie i powinny być stosowane ostrożnie”. Można go uzyskać z obroży GPS, ale badanie nad niedźwiedziem czarnym uwypukliło ten sposób zawodzenia: lokalizacje z obroży zbierane w długich odstępach niedoszacowują rzeczywiście pokonanego przez zwierzę dystansu, co z kolei przeszacowuje zagęszczenie — a obciążenie mocniej dotyka gatunki wolno się poruszające. W tym samym badaniu REM dał wiarygodne zagęszczenie niedźwiedzia czarnego, nieróżniące się istotnie od odniesienia z przestrzennej metody powtórnych stwierdzeń opartej na DNA, ale dopiero wtedy, gdy dane o prędkości potraktowano z rozwagą. Haczyk jest niemal filozoficzny: jeśli do zasilenia REM potrzebujesz kosztownych danych z obroży, tracisz tanią i nieinwazyjną przewagę, która na początku czyniła REM atrakcyjnym.

Zastosuj REM do gatunku, który nie zachowuje się jak cząstka gazu, a napięcie zobaczysz wprost. Lwice na Serengeti spędzają dni, drzemiąc pod pojedynczymi drzewami — a pojedyncze drzewa to dokładnie miejsca, w których ustawiłbyś kamerę. Każdy model REM w tym badaniu przeszacował zagęszczenie lwów; ograniczenie analizy do zdjęć nocnych, gdy lwy faktycznie się poruszają, znacząco zmniejszyło obciążenie. To powracające rzemiosło REM: znajdź czasy i miejsca, w których twoje zwierzęta poruszają się losowo względem kamer, i na nich się oprzyj.

W chwili, gdy pozwolisz, by rozmieszczenie kamer korelowało z tym, gdzie są zwierzęta, model losowego spotkania się załamuje.

Próbkowanie odległości dla kamer (CT-DS): pożycz 50-letni zestaw narzędzi

Próbkowanie odległości dla fotopułapek stawia na coś innego. Próbkowanie odległości — pomiar tego, jak wykrywalność spada wraz z odległością od obserwatora — to jeden z najdojrzalszych i najlepiej udokumentowanych schematów w całych badaniach dzikiej fauny, za którym stoją dekady teorii, oprogramowania i wytycznych projektowych. Howe, Buckland i współpracownicy zaadaptowali próbkowanie odległości na transektach punktowych tak, by kamera odgrywała rolę obserwatora.

Mechanika jest elegancka. Zamiast próbować oszacować prędkość zwierzęcia, CT-DS zapisuje odległość radialną do każdego zwierzęcia w z góry ustalonych momentach migawkowych oddalonych o kilka sekund i modeluje, jak wykrywalność maleje z odległością. Ponieważ migawki są ustalonymi godzinami zegara, wybranymi niezależnie od tego, gdzie akurat znajdują się zwierzęta, ruch nie obciąża rozkładu odległości. Dziedziczysz cały aparat próbkowania odległości — program Distance, konwencje doboru modelu, wszystko — i nigdy nie musisz szacować dobowego zasięgu przemieszczeń.

W zamian CT-DS wymaga pewnego wykrycia tuż przed kamerą (odległość zero). Małe zwierzęta prześlizgujące się pod polem widzenia, połówki ciał niemożliwe do zidentyfikowania czy ospałe wyzwalanie — wszystko to narusza ten warunek, a lekarstwem jest ucięcie lewostronne, czyli odrzucenie bliskich kamerze odległości, gdzie wykrycie nie jest pewne. Metoda potrafi też policzyć jedynie zwierzęta dostępne dla obserwacji: gatunek, który połowę czasu spędza pod ziemią lub w koronach drzew, odczyta się jako połowa swojego rzeczywistego zagęszczenia, o ile nie skorygujesz tego niedostępnego czasu.

CT-DS błyszczy w dużej skali i przy wielu gatunkach naraz. W badaniu Parku Narodowego Salonga w Demokratycznej Republice Konga — 160 kamer rozłożonych na 17 000 kilometrów kwadratowych — jedno wdrożenie CT-DS dostarczyło oszacowań zagęszczenia dla 14 gatunków jednocześnie, od 200-gramowego ryjkonosa po słonie leśne, w tym pierwsze w historii wartości zagęszczenia dla pawia kongijskiego i łuskowca olbrzymiego. Ten wielogatunkowy zasięg to coś, czemu REST i TIFC z trudem dorównują.

Ale Salonga obnażyła też najbardziej podstępny sposób zawodzenia CT-DS: zwierzęta reagujące na kamerę. Słonie leśne uznawały kamery za fascynujące i przystawały przed nimi, węsząc i badając. Włączenie tych reaktywnych obserwacji zawyżyło zagęszczenie słoni nawet o dwa rzędy wielkości. Bonobo robiły coś przeciwnego — trzymając się z ostrożności z tyłu — co zawyżyło ich zagęszczenie o około 15%. Zalecane środki obrony to rozstawienie kamer z miesięcznym wyprzedzeniem, by zwierzęta się przyzwyczaiły, albo — dla najgorszych sprawców — sięgnięcie po metodę mniej wrażliwą na reaktywność.

Jest też cichszy haczyk CT-DS, o którym warto wiedzieć, bo łatwo go przeoczyć, a konsekwencje są duże. CT-DS zaprojektowano dla wideo. Jeśli zastosujesz je do zdjęć nieruchomych, kamera ślepnie na czas swojej regeneracji oraz w okresach, gdy nieruchome zwierzę nie zdoła jej ponownie wyzwolić. Nie odejmiesz tych martwych interwałów od wysiłku badawczego i możesz niedoszacować zagęszczenia nawet o 96% — bo zaliczyłeś kamerze czas próbkowania, który przespała. Średni martwy interwał w jednym europejskim badaniu wynosił od 8 do 15 sekund w zależności od gatunku, co szybko się sumuje.

REST: wymień prędkość na czas przebywania

Model Random Encounter and Staying Time to sprytny japoński kuzyn REM. Zachowuje logikę spotkań REM, ale wymienia parametr, którego wszyscy nienawidzą — dobowy zasięg przemieszczeń — na taki, który odczytasz wprost z nagrania: czas przebywania, czyli jak długo zwierzę pozostaje w małej, z góry zdefiniowanej strefie ogniskowej, w której masz pewność, że wykrycie jest gwarantowane. Ponieważ czas przebywania jest odwrotnie proporcjonalny do prędkości, niesie tę samą informację, a ty nigdy nie musisz zakładać obroży czemukolwiek.

REST ma cechę, przy której warto się zatrzymać: w symulacjach pozostawał nieobciążony nawet wtedy, gdy poszczególne zwierzęta poruszały się z różnymi prędkościami, a nawet gdy przemieszczały się parami. Ta odporność jest realna i cenna. Ale REST ma słynnie jawną kartotekę — autorzy wymieniają wprost siedem założeń. Dwa z nich powodują większość kłopotów w terenie. Po pierwsze, jeśli zwierzęta nie są aktywne synchronicznie — jedne śpią, gdy inne żerują — REST niedoszacowuje zagęszczenia. Po drugie, zwierzę, które kładzie się i odpoczywa wewnątrz strefy ogniskowej, wytwarza dziwacznie długi czas przebywania, który ciągnie średnią w górę i przeszacowuje zagęszczenie; lekarstwem jest odrzucenie tych wartości odstających i skorygowanie wysiłku o odsetek doby, w którym zwierzęta są faktycznie aktywne.

Praktyczne przygotowanie jest bardziej wybredne niż w REM. Definiujesz obszar ogniskowy — najlepiej sprawdza się trójkąt równoboczny — zwykle o boku około 1,9 metra, wyśrodkowany w polu widzenia, i weryfikujesz, że wykrycie w jego wnętrzu jest naprawdę pewne. Uruchamiasz kamerę bez opóźnienia między wyzwoleniami (opóźnienie zawyża obliczenie wysiłku i obniża zagęszczenie), z szybkimi czujnikami i pojemnym zasilaniem, najlepiej nagrywając wideo dłuższe niż 15 sekund. Potem przychodzi mozół: nałożenie obrazu odniesienia pustej strefy ogniskowej na każdy klip ze zwierzęciem, by zmierzyć dokładnie, jak długo w niej przebywało. Autorzy praktycznego przewodnika są odświeżająco szczerzy, że ten pomiar jest „pracochłonny i w powijakach”.

Nagrodą — w jedynym badaniu porównawczym, które sprawdziło wszystkie główne metody razem — była najlepsza precyzja i najmniejszy nakład pracy ludzkiej spośród trójki. Haczyk to druga strona tej wydajności: ponieważ REST wykorzystuje tylko zwierzęta, które przecinają mały trójkąt ogniskowy, brakuje mu danych dla gatunków o niskim zagęszczeniu — czyli właśnie w sytuacjach, w których najbardziej chcesz mieć liczbę.

TIFC: kamera jako kwadrat próbny

Time-in-Front-of-Camera doprowadza ideę czasu przebywania do logicznego ekstremum i czyni z niej chyba najbardziej przyjazną praktykom z całej stawki. Zapomnij o oddzielaniu spotkań od czasów przebywania. Po prostu zsumuj całkowity czas, jaki dowolne zwierzę twojego docelowego gatunku spędziło w polu widzenia przez całe wdrożenie, podziel przez próbkowaną powierzchnię i całkowity czas pracy — i masz zagęszczenie.

Powód, dla którego to działa, jest naprawdę satysfakcjonujący. Skumulowany czas w kadrze jest niezależny od tego, jak szybko zwierzęta się poruszają i jak duże są ich areały osobnicze. Podwój prędkość zwierzęcia, a spędzi ono o połowę mniej czasu w kadrze przy każdym przejściu — ale przejdzie dwa razy częściej. Podwój wielkość areału, a zwierzę odwiedzi daną kamerę o połowę rzadziej — ale będzie dwa razy więcej zwierząt, których areały nakładają się na tę kamerę. Rachunki się znoszą, pozostawiając ci miarę, która nie potrzebuje żadnego tempa przemieszczeń, żadnej wielkości grupy ani żadnych danych o areale osobniczym. Z tego powodu wdrożono ją w ogromnej skali: blisko 3000 kamer w całej Albercie przez sześć lat.

Założenia TIFC należą do tej samej rodziny co reszta — reprezentatywne rozmieszczenie, brak zmiany zachowania wywołanej kamerą, niezawodne wykrycie blisko kamery — ale jego charakterystyczna słabość jest tą, którą dzielą wszystkie metody czasu przebywania, i TIFC odczuwa ją dotkliwie, bo liczy każdą sekundę: zwierzęta, które się ociągają, zawyżają oszacowanie. Niedawne badanie nad kopytnymi wyłożyło dokładnie, jak to się rozgrywa między gatunkami, i jest to najczytelniejsza ostrzegawcza opowieść w literaturze. W porównaniu z liczeniami z powietrza TIFC trafił w łosia (samotnik, nie marudzi). Wyszedł 19% za nisko dla bizona, ponieważ kamery niedopróbkowały otwartych łąk, które bizon preferuje. I dał zdumiewające 116% za wysoko dla wapiti, ponieważ kamery stały na przesmykach zwierzyny (gdzie wapiti się skupiają), a wapiti wciąż przystawały, by zbadać obiektyw — oba czynniki zawyżały czas przebywania. Współczynniki korekcyjne pomogły, ale autorzy ostrzegają, że mogą one wymagać ponownego dostrojenia dla każdego krajobrazu. Wniosek nie brzmi „TIFC jest zły”. Brzmi tak, że ta sama metoda może być nieobciążona, obciążona w dół i obciążona w górę dla trzech gatunków w jednym zbiorze danych, wyłącznie z powodu rozmieszczenia i zachowania.

Ta sama metoda była nieobciążona dla łosia, obciążona w dół dla bizona i obciążona w górę dla wapiti — w jednym zbiorze danych, wyłącznie z powodu tego, gdzie stały kamery i jak zachowywały się zwierzęta.

Time-to-event i space-to-event: liczenie zegara i luk

Najnowsza gałąź wzięła się od biologów myślących jak analitycy przeżycia. Jeśli kamera rejestruje zdarzenia w sposób ciągły, to czas do pojawienia się pierwszego zwierzęcia niesie informację o liczebności. To model time-to-event (TTE). Problem w tym, że TTE, podobnie jak REM, zależy od niezależnego oszacowania ruchu i dlatego jest wrażliwy na prędkość poruszania się — w symulacjach miał skłonność do niedoszacowania, silnie dla populacji wolno się poruszających.

Ten sam zespół zrobił więc coś zgrabnego: zredukował każdą okazję próbkowania do pojedynczej chwili. Jeśli patrzysz tylko na jeden zamrożony moment, ruch zwierząt w trakcie interwału nie może cię obciążyć. To model space-to-event (STE), a jego oszacowania są całkowicie niewrażliwe na tempo przemieszczeń. STE korzysta ze zdjęć poklatkowych — klatek robionych według harmonogramu, a nie przez wyzwalanie ruchem — co niesie drugą, niedocenianą zaletę: omija cały problem zmiennego wykrywania przez czujnik ruchu, bo zaplanowana klatka albo zawiera zwierzę, albo nie. Kolejne uproszczenie, próbkowanie chwilowe (IS), po prostu liczy zwierzęta w każdej klatce poklatkowej jako próbę o stałej powierzchni.

W teście terenowym na zimujących wapiti STE dostarczył najlepszej precyzji spośród nowych metod, nie wymagając żadnych danych o ruchu i osiągając wynik bliski liczeniu z powietrza. Metody te po cichu rozwiązują też problemy z nakładem pracy: TTE pozwala oceniającemu przestać przeglądać zdjęcia po pierwszym wykryciu, a STE pozwala szacować liczebność bez liczenia, ile zwierząt jest na każdym zdjęciu — to realna oszczędność, bo zliczanie na zdjęciach jest wolne i podatne na błędy. Kompromis polega na tym, że tryb poklatkowy pasuje do gatunków pospolitych; dla naprawdę rzadkich zwierząt zaplanowane klatki będą przeważnie puste. A wszystkie trzy zakładają, że zwierzęta są rozmieszczone mniej więcej losowo (rozkład Poissona) wokół każdej kamery, co szwankuje przy gatunkach silnie stadnych lub terytorialnych.

Zamroź próbę do pojedynczej chwili, a prędkość zwierząt nie może cię już zwieść — to jedna sztuczka odróżnia space-to-event od wszystkiego, co potrzebuje wiedzieć, jak szybko poruszają się zwierzęta.

Więc której powinieneś użyć?

Tu właśnie literatura zarabia na swoje utrzymanie, bo ktoś w końcu uruchomił metody obok siebie, zamiast bronić jednej z nich. Palencia i współpracownicy poddali REM, REST i CT-DS tym samym sześciu populacjom jelenia, dzika i lisa rudego. Uspokajający wynik: w pięciu z sześciu populacji trzy metody nie dały żadnej istotnej statystycznie różnicy zagęszczenia i miały podobną precyzję. Nie są ze sobą jaskrawo skłócone.

Ale niuans tkwi w różnicach. REM miał skłonność odczytywać wyżej niż REST i CT-DS (które są, jak pokazują autorzy, matematycznie równoważne). Pod względem precyzji i nakładu pracy na prowadzenie wysunął się REST — najniższy współczynnik zmienności, najmniej czasu na obróbkę zdjęć — podczas gdy CT-DS wymagał najwięcej analizy. Dało to najczęściej cytowaną w tej dziedzinie regułę kciuka:

Potraktuj tę tabelę jako punkt wyjścia, a nie werdykt. Głębsza wskazówka z literatury przeglądowej to wybierać na podstawie trzech rzeczy: historii naturalnej twojego docelowego gatunku (czy się ociąga? przemieszcza w stadach? wspina po drzewach?), starannie zdefiniowanego zakresu próbkowania oraz tego, jaka zbiórka danych jest dla ciebie realnie wykonalna. Metoda teoretycznie najlepsza, ale której nie zdołasz wykonać czysto, przegra z prostszą, którą wykonasz.

I miej na oku badania walidacyjne, bo studzą optymizm. Gdy badacze sprawdzili REM, CT-DS i TTE względem prawdy z przestrzennej metody powtórnych stwierdzeń na dziesięciu gatunkach neotropikalnych, metody bez znakowania okazały się dokładne, lecz mniej precyzyjne dla umiarkowanie pospolitych gatunków, takich jak ocelot — i zawiodły dla jaguarów, gatunku rzadkiego, gdzie nie dorównały SECR. Bezceremonialny wniosek: modele bez znakowania są obiecujące dla zwierząt od licznych po względnie rzadkie, ale przy naprawdę rzadkich nadal chcesz mieć znaki. Liczy się też moc statystyczna: osiągnięcie precyzji potrzebnej do wykrycia rzeczywistego spadku populacji często wymaga ponad 100 lokalizacji kamer, a dla gatunków rzadkich nawet to może nie wystarczyć.

Kontrast: przestrzenna metoda powtórnych stwierdzeń, gdy potrafisz rozróżnić osobniki

Warto jasno powiedzieć, co te metody bez znakowania próbują obejść. Gdy zwierzęta da się zidentyfikować indywidualnie — naturalne wzory futra, blizny lub założone znaczniki — przestrzenna metoda powtórnych stwierdzeń (SECR) jest standardem i robi coś, czego metody bez znakowania nie potrafią: szacuje efektywnie próbkowaną powierzchnię statystycznie, na podstawie wzorca miejsc, w których ten sam osobnik zostaje ponownie wykryty. To dokładnie ten problem mianownika, który rodzina metod bez znakowania musi przyjąć na wiarę, by go ominąć.

Powód, dla którego SECR nie jest odpowiedzią dla większości projektów, jest po prostu taki, że większości gatunków brakuje użytecznych znaków. Przegląd badań SECR z fotopułapek wykazał silne przechylenie w stronę dużych kotów — gatunków w pręgi i cętki — bo tam identyfikacja osobnika jest wykonalna, a dla wielu z tych gatunków SECR dostarcza jedynych istniejących bazowych oszacowań zagęszczenia. Oba światy spotykają się w badaniach porównawczych, a porównania są zachęcające: zastosuj oznakowany SECR oraz nieoznakowane CT-DS i REM do tej samej populacji kuny leśnej, a wszystkie wylądują w tym samym przedziale (oszacowania punktowe od 0,49 do 1,20 zwierzęcia na km²), różniąc się głównie precyzją i kosztem. CT-DS okazał się zresztą najprecyzyjniejszą metodą w tej konkretnej rywalizacji. Metody bez znakowania nie są kiepskim substytutem SECR — są uprawnionym narzędziem, które po prostu wymienia trochę precyzji na to, że nie trzeba nikogo rozpoznawać.

Maszyneria pod każdą metodą

Zauważ, co wciąż wypływało w każdej powyższej sekcji: strefa wykrywania i poziom aktywności. Te dwa elementy instalacji zasilają niemal wszystkie metody, a ustawienie ich źle po cichu psuje wszystko, co jest niżej w łańcuchu.

Efektywna odległość wykrywania — jak daleko kamera niezawodnie wyczuwa zwierzęta — nie jest stałą właściwością kamery. Silnie rośnie wraz z masą ciała (większe, cieplejsze zwierzęta wyzwalają czujnik z dalszej odległości) i jest krótsza w gęstej roślinności. W jednym zbiorze danych z lasu tropikalnego efektywna odległość wykrywania różniła się między gatunkami niemal trzykrotnie i była o około 70% większa w porze suchej niż w porze deszczowej. Praktyczne konsekwencje są ostre. Nie możesz użyć ponownie odległości wykrywania jednego gatunku dla innego — użycie strefy wykrywania kota domowego dla kuny leśnej niedoszacowuje zagęszczenia kuny, bo kuna jest wyczuwana z innego zasięgu. A pozorna różnica w wykorzystaniu siedliska między dwoma stanowiskami może okazać się niczym więcej niż różnicą w odległości wykrywania spowodowaną roślinnością. Lekarstwo jest tanie: umieść w polu widzenia znaczniki odległości (co najmniej pięć przedziałów) i dopasuj funkcję wykrywania do tego, który znacznik przekracza każde zwierzę. Zawsze rozstawiaj kamery z tymi znacznikami, byś mógł później skorygować wskaźniki wykryć.

Poziom aktywności — odsetek doby, w którym zwierzęta są aktywne — to druga wspólna korekta, używana przez REST, CT-DS i TIFC, by osadzić wykrycia na właściwej podstawie czasowej. Opiera się na jednym założeniu, które zasługuje na sceptyczne oko: że wszystkie osobniki są aktywne w dobowym szczycie. Gdy to zachodzi, metoda działa; gdy nie zachodzi, przeszacowujesz aktywność, a przez to niedoszacowujesz zagęszczenia. A nie zawsze zachodzi — duże drapieżniki, których cykle łowieckie rozciągają się na dni, albo małe ssaki w bardzo krótkich dniach głębokiej zimy na wysokich szerokościach geograficznych mogą je naruszać. To jedna nić, która wiąże ze sobą sposoby zawodzenia: badanie wielogatunkowe ujęło to wprost — REM, REST i CT-DS wszystkie jawnie zawierają założenie o aktywności, podczas gdy metody time-to-event niosą je niezadeklarowane — że zwierzęta są zawsze dostępne. Kontrola za pomocą sparowanych kamer w tej pracy wykazała, że 9% zwierząt w rzekomo pewnej strefie wykrywania zostało wprost przeoczonych, co powinno ostudzić czyjąkolwiek wiarę w „doskonałe wykrycie na odległości zero”.

Ustawienie strefy wykrywania lub poziomu aktywności źle po cichu psuje każde oszacowanie zagęszczenia zbudowane na tym.

Robimy to naprawdę: praktyka terenowa i programowa

Jeśli z prac porównawczych i walidacyjnych nie wyniesiesz nic innego, wynieś te dwa punkty nienegocjowalne, które dzieli każda metoda:

1. Rozstawiaj kamery losowo względem ruchu zwierząt. Zastosuj schemat losowy lub systematyczny z losowym początkiem. Przesunięcie kamery o kilka metrów, by sięgnąć drzewa, jest w porządku; celowy wybór ścieżki, znaku terytorialnego, tarzawiska czy przynęty jest zabójczy dla nieobciążonego oszacowania.
2. Używaj kamer o wysokiej wydajności. Szybkie wyzwalanie (znacznie poniżej sekundy), niezawodna regeneracja oraz albo wideo, albo szybkie serie zdjęć. Wolne lub kapryśne wyzwalanie podkopuje założenie „pewnego wykrycia” leżące u sedna REM, REST, CT-DS i TTE na równi.

Jeśli chodzi o nakład, brutalna arytmetyka jest otrzeźwiająca, lecz użyteczna. Wskaźnik spotkań między kamerami dominuje w wariancji, więc więcej lokalizacji kamer bije dłuższe wdrożenia przy mniejszej liczbie lokalizacji. Konkretne cele CT-DS z dużego badania nakład–precyzja: współczynnik zmienności około 20% wymaga mniej więcej 100 dni próbkowania na 50 lokalizacjach albo 100 do 150 lokalizacji przy krótszym badaniu; zejście do CV na poziomie 10% może wymagać ponad 200 lokalizacji. Zaplanuj to odpowiednio i bądź wobec siebie szczery, zanim zaczniesz, co do tego, czy twój docelowy gatunek jest w ogóle na tyle pospolity, by osiągnąć użyteczną precyzję.

Po stronie oprogramowania dobra wiadomość jest taka, że narzędzia są otwarte i się poprawiają. Szacowanie zagęszczenia w R jest dobrze wspierane — istnieje utrzymywany przewodnik obejmujący REM, time-to-event i space-to-event, N-mixture oraz nieoznakowaną przestrzenną metodę powtórnych stwierdzeń — a korekta aktywności mieszka w pakiecie `activity`, podczas gdy za próbkowaniem odległości stoi program Distance. Ten sam rozdział skupiony na R jest odświeżająco szczery, że szacowanie zagęszczenia z danych z kamer „nie jest łatwe, często nie jest precyzyjne” i zwykle oznacza realną pracę — zdrowe nastawienie, które warto zabrać ze sobą.

Rubieżą jest automatyzacja i nadchodzi ona szybko. Półautomatyczny przepływ pracy CT-DS używa teraz głębokiego modelu głębi wraz z automatycznym detektorem zwierząt, by mierzyć odległości obserwacji wprost ze zdjęć, kalibrowany zaledwie dwoma obrazami odniesienia na kamerę. Dał on oszacowania zagęszczenia statystycznie nieodróżnialne od żmudnego pomiaru ręcznego, jednocześnie skracając czas obróbki danych ponad trzynastokrotnie — zamieniając tygodnie adnotacji odległości w kilka dni. Metody wielogatunkowe też idą naprzód: bayesowskie rozszerzenie REM szacuje teraz zagęszczenie całej wspólnoty naraz, w tym najrzadszych gatunków, korzystając wyłącznie z informacji wyciągniętej z samych zdjęć.

Wniosek na koniec

Nie ma metody uniwersalnej, a każdy, kto twierdzi inaczej, coś sprzedaje. REM, CT-DS, REST, TIFC i rodzina time-to-event są wszystkie uprawnione, wszystkie recenzowane i wszystkie zdolne dać oszacowania zagęszczenia, które bronią się wobec niezależnych badań — pod warunkiem że uszanuje się ich założenia. Wybieraj według zachowania swojego gatunku i realiów swoich danych, a nie według tego, która metoda ma najładniejsze wyprowadzenie. Ponad wszystko szanuj losowe rozmieszczenie. Zmierz swoją strefę wykrywania. Sprawdź założenie o aktywności. I dobierz rozmiar badania do precyzji, której naprawdę potrzebujesz, wiedząc, że dla gatunków rzadkich odpowiedzią może wciąż być „bez znaków się tam nie dostaniesz”. Użyte z tą trzeźwą pokorą, kamery zamieniają stertę nieprzypisywalnych zdjęć w jedno z najpotężniejszych i najmniej inwazyjnych narzędzi pomiaru zagęszczenia, jakimi dysponuje nauka o dzikiej faunie.

Najczęstsze pytania