Desenho amostral com armadilhas fotográficas: espaçamento, densidade e duração

Aqui está a verdade incômoda à qual se resume a maior parte do desenho amostral com armadilhas fotográficas: espaçamento, densidade e duração não são três botões independentes que você regula a gosto. Todos dependem de uma decisão que você toma antes de uma única câmera sair do veículo — o que, exatamente, você está tentando estimar? Riqueza de espécies, ocupação, abundância relativa e densidade exigem, cada uma, um arranjo diferente, um número diferente de estações e uma duração diferente de instalação, e um desenho excelente para uma delas pode se revelar silenciosamente inútil para outra.

Isso parece óbvio. Claramente não é. Quando Burton e colaboradores revisaram 266 estudos com armadilhas fotográficas publicados entre 2008 e 2013, 40,2% não usaram nenhum desenho amostral baseado em probabilidade, recorrendo a uma alocação oportunista ou dirigida, e outros 21,4% praticamente não deram detalhes sobre o desenho amostral. Menos de um terço mencionou explicitamente os pressupostos de independência espacial e temporal dos quais suas análises dependiam. As câmeras funcionaram bem. Os desenhos, em muitos casos, não sustentavam as inferências que os autores extraíam deles.

Então, antes de chegar aos números — e há bons números específicos abaixo —, internalize a ordem das operações. Escolha a pergunta. Deixe a pergunta definir o espaçamento em relação à área de vida da sua espécie-alvo. Deixe o espaçamento e sua meta de precisão definirem o número de estações. Deixe a detectabilidade definir a duração. Todo o resto é logística. Erre a ordem e nenhum esforço de campo vai te salvar.

Comece pela pergunta, não pela câmera

O enquadramento mais útil da literatura é que uma detecção por câmera é o produto de dois processos: quantos animais existem por ali, e a probabilidade de cada um ser fotografado. Toda escolha de desenho é, na verdade, uma escolha sobre como você lida com esse segundo processo — a detecção. O que separa os métodos analíticos é aquilo que eles pressupõem e, portanto, o que exigem do seu arranjo.

Uma volta rápida pelos quatro objetivos comuns, porque o restante deste artigo continua se referindo a eles:

• Inventário de espécies / riqueza — “o que vive aqui?” Você precisa que toda espécie tenha uma chance não nula de detecção, o que quase sempre significa ampla cobertura espacial e aleatorização, não intensidade em um único ponto.
• Ocupação — “que proporção dos sítios uma espécie está usando?” O arcabouço de ocupação modela explicitamente a detecção imperfeita por meio de visitas repetidas, então precisa de sítios suficientes e de ocasiões amostrais suficientes por sítio para fixar a probabilidade de detecção.
• Abundância relativa (IAR) — detecções por unidade de esforço, usadas como um índice de abundância. Barato e onipresente, mas repousa sobre o pressuposto heroico de que a detectabilidade é constante entre as coisas que você está comparando. Normalmente não é.
• Densidade — animais por unidade de área, o padrão-ouro. Para espécies identificáveis individualmente (pense em felinos manchados) isso significa captura–recaptura espacial (SCR/SECR); para espécies não marcadas, o modelo de encontro aleatório (REM) é o único jogo disponível. Esses dois métodos querem coisas opostas do seu espaçamento de câmeras, o que é a maior armadilha de todo o campo.

O guia de publicação de dados da GBIF faz a mesma observação pelo outro lado: “o que você gostaria de saber sobre quais grupos de espécies? Cada objetivo traz consigo suas próprias características-chave a considerar, como altura e direção da câmera, sazonalidade, uso de isca, características da zona de detecção”. Essas características não são metadados opcionais. São o desenho.

Uma visão geral prática que vale o tempo de um iniciante enquadra a própria alocação como um cardápio — amostragem aleatória, estratificada, sistemática, adaptativa e ao estilo de ocupação, cada uma com seus próprios pontos fortes. É um bom andaime mental. Mas no momento em que você está escolhendo coordenadas reais, a pergunta deixa de ser “qual arquétipo amostral soa bem” — e passa a ser “o que meu estimador pressupõe, e este arranjo satisfaz isso?”.

Espaçamento e independência: atado à área de vida, não ao hábito

O espaçamento de câmeras é onde as boas intenções vão morrer, porque o espaçamento “certo” se inverte conforme o seu objetivo — e a literatura genuinamente discorda em alguns pontos, o que sinalizarei à medida que avançamos.

Para riqueza, ocupação e IAR, você geralmente quer independência. A regra prática à qual quase todos recorrem é 1–2 km entre estações. Esse número não é sagrado; é um substituto pragmático para “longe o suficiente para que duas câmeras não estejam amostrando os mesmos indivíduos.” O guia de boas práticas da WWF é direto ao dizer que a importância da independência estrita “é muitas vezes exagerada e pode ter pouco efeito sobre a inferência estatística”, observando que o agrupamento espacial com que você se preocuparia foi considerado fraco em dados de câmera quando alguém foi procurar por ele. Kays e colaboradores constataram que a autocorrelação entre câmeras não era um problema além de cerca de 25 m em floresta tropical — mas um estudo de caatinga subtropical ainda a encontrou a 500 m. Então, a versão honesta: atrele o espaçamento ao tamanho da área de vida da sua espécie-alvo, adote por padrão cerca de 1 km (e pelo menos um diâmetro de área de vida) quando não tiver essa informação, e lembre-se de que você pode modelar a dependência residual estatisticamente em vez de projetá-la para fora.

O guia de instalação do WildCAM dá a versão mais clara, em linguagem comum, desse compromisso: se você está estimando a ocupação de urso-pardo “e as câmeras são posicionadas próximas demais, as detecções podem não ser estatisticamente independentes, caso haja chance de que o mesmo indivíduo seja detectado em sítios de câmera vizinhos em um curto período de tempo”, então, para mamíferos de ampla área de deslocamento, “convém selecionar grandes intervalos de distância”.

Para densidade por SCR/SECR, você quer exatamente o oposto — a dependência é o ponto. Esses modelos funcionam observando a probabilidade de captura decair com a distância ao centro de atividade de um animal, de modo que cada indivíduo precisa ser fotografado em mais de uma estação. A recomendação: espaçar as câmeras não mais que 0,8 vez o raio médio da área de vida, e idealmente mirar em um terço do raio da área de vida, o que dá cerca de 4 a 7 câmeras dentro de cada área de vida. A captura–recaptura convencional (não espacial) é ainda mais rigorosa quanto a não deixar “buracos” em que uma área de vida inteira pudesse se esconder — Tobler e Powell colocam isso de forma memorável para as onças-pintadas: “não deve haver buraco entre câmeras que caiba uma área de vida inteira de um indivíduo”.

É aqui que fica interessante, e onde o campo ainda não se acomodou por completo. Um estudo de SECR com urso-negro (via síntese do WildCAM) constatou que, quando o espaçamento entre armadilhas foi aumentado, as estimativas de densidade mal se moveram — “pode valer mais a pena espaçar as armadilhas mais amplamente para amostrar uma área maior”, porque o SECR é muito mais robusto a um número menor de estações do que outros métodos de densidade. A revisão de referência sobre SECR chega à mesma conclusão estratégica: “a melhor forma de aumentar a precisão do ponto de vista do desenho do estudo parece ser aumentar o número de indivíduos capturados”, obtido de modo mais natural ampliando a área de estudo. Então, para o SECR, há uma tensão real entre o espaçamento de manual “compacte-as bem” e a constatação prática “espalhe-as amplamente para capturar mais indivíduos”. A resolução em que a maioria acaba: a extensão da sua grade em relação ao tamanho da área de vida importa pelo menos tanto quanto o espaçamento entre armadilhas — o que o estudo do leopardo-das-neves abaixo demonstra de forma brutal.

Para o REM, o espaçamento fica libertado da espécie-alvo por completo, o que é uma de suas melhores qualidades. Como o REM não precisa de nenhum indivíduo fotografado duas vezes, “o espaçamento de câmeras não é determinado pela espécie-alvo”, e mais de uma espécie pode ser monitorada no mesmo levantamento. O que o REM exige, em vez disso, é que as câmeras sejam posicionadas aleatoriamente em relação ao movimento animal — não em trilhas, não em pontos de marcação, não em qualquer lugar escolhido para inflar ou deflacionar as taxas de encontro. Viole isso e você enviesa a taxa de encontro, e a estimativa de densidade junto com ela.

O espaçamento de câmeras é onde as boas intenções vão morrer, porque o espaçamento “certo” se inverte conforme o seu objetivo.

Quantas estações? Densidade e número de câmeras

Não há resposta universal, mas há boas metas por objetivo, e elas são mais específicas do que “quanto mais, melhor”.

Riqueza. A evidência empírica mais direta vem da subamostragem, feita por Kays et al., de 2.225 instalações em 41 áreas de estudo pelo mundo. Eles constataram que 25–35 sítios de câmera eram necessários para estimativas precisas de riqueza de espécies, dependendo da escala do estudo — cerca de 35 para grades de larga escala (espaçamento ≥1 km) e 25 para sítios tropicais de pequena escala (espaçamento ≤0,2 km), bastando entre 17 e 22 para as áreas temperadas de pequena escala menos diversas. O guia da WWF é mais direto: para riqueza, “parece improvável que uma amostra decente possa ser obtida com menos de 20 localizações, e 50 localizações talvez sejam uma meta melhor”, e se você estratificar, precisa de 20–50 localizações por estrato. A síntese do WildCAM ecoa isso — menos de 20 câmeras é “inviável para levantamentos de riqueza de espécies, sendo 50 localizações uma meta melhor”.

Ocupação. É aqui que o número de estações se torna implacavelmente sensível a quão comum é a sua espécie. Kays et al. constataram que a precisão da ocupação é “altamente sensível ao nível de ocupação, com <20 sítios de câmera necessários para estimativas precisas de espécies comuns (ψ>0,75), mas mais de 150 sítios de câmera provavelmente necessários para espécies raras (ψ<0,25)”. Quase metade de uma análise global de carnívoros que eles citam tinha ocupação abaixo de 0,25 — exatamente as espécies que você mais quer monitorar, e exatamente as que exigem mais de 100 sítios. A recomendação geral do guia da WWF: um mínimo de 40 localizações amostrais para ocupação, subindo para mais de 100 se você estiver acrescentando covariáveis ou perseguindo uma espécie rara. O WildCAM operacionaliza isso assim: 30 sítios para espécies de alta detectabilidade (p ≥ 0,8), 30–60 para muitas espécies, e “pelo menos 100 sítios” para espécies raras, de baixa densidade, com probabilidades de detecção abaixo de 0,1.

A questão de câmera única versus múltiplas. Uma constatação que surpreende as pessoas com regularidade: colocar mais câmeras em cada sítio pode importar tanto quanto acrescentar sítios. O'Connor e colaboradores testaram arranjos de uma, duas e quatro câmeras em 20 sítios florestais e constataram que o método de quatro câmeras detectou 1,25 (53%) espécie a mais por sítio do que uma única câmera, foi a única configuração a detectar plenamente a comunidade que vive no solo, e praticamente dobrou o número de sítios onde o veado-de-cauda-branca foi registrado. A probabilidade de detecção do veado em uma única câmera era de apenas 0,179. A recomendação deles — “um mínimo de 2 armadilhas fotográficas por sítio de câmera, instaladas em direções opostas” — é uma proteção barata contra os falsos negativos que arruínam dados de ocupação e riqueza.

Densidade por SECR. A revisão de referência encontrou uma mediana de 57,5 estações de câmera por estudo por ano (média ~100, amplitude 12–849) na literatura publicada de SECR. Para onças-pintadas especificamente, Tobler e Powell concluíram que é necessário um mínimo de 40–50 estações para um levantamento confiável, “e um número maior de estações seria desejável” — um limiar que o WildCAM repete como o “mínimo absoluto”. A graça salvadora do SECR é a robustez: ele é “muito mais robusto a um número menor de estações de câmera do que outros métodos de estimativa de densidade”.

Densidade por REM. Trabalhos de simulação sugerem que “cerca de 60 pontos de câmera devem ser amostrados para atingir uma precisão aceitável (isto é, coeficiente de variação abaixo de 0,20)”.

Para tornar os compromissos concretos, veja como alguns dos desenhos de nível-protocolo da literatura efetivamente alocam as câmeras:

Repare que o ForestGEO opera deliberadamente as câmeras a uma densidade 100 vezes maior que a do TEAM — uma armadilha por 2 ha contra uma por 2 km² — porque estão respondendo a perguntas diferentes sobre áreas diferentes (1 km² de amostragem florestal intensiva contra 120 km² de monitoramento de comunidade). Nenhum é “certo”. Estão ajustados aos seus objetivos.

Levantamentos coordenados e de ciência cidadã vivem no extremo desse espectro: o SNAPSHOT USA 2021, um levantamento nacional com múltiplos colaboradores, reuniu 109 arranjos de armadilhas fotográficas e 1.711 sítios de câmera para 71.519 noites-armadilha, com o esforço por arranjo variando de 126 a 3.355 noites. A lição para quem se junta a uma rede dessas é que a consistência entre colaboradores — altura, espaçamento e duração padronizados — é o que permite que todos aqueles arranjos individualmente modestos sejam analisados em conjunto.

O ForestGEO opera deliberadamente as câmeras a uma densidade 100 vezes maior que a do TEAM, porque estão respondendo a perguntas diferentes sobre áreas diferentes. Nenhum é “certo”. Estão ajustados aos seus objetivos.

Por que a extensão da sua grade pode importar mais do que a densidade dela

O estudo do leopardo-das-neves é a história de advertência que todo pesquisador de densidade deveria manter na parede. A mesma equipe levantou a mesma paisagem de duas maneiras: um arranjo compacto (38 câmeras, espaçamento ~1 km, extensão de 253 km², 15 câmeras/100 km²) e um difuso (44 câmeras, espaçamento ~5 km, extensão de 2.030 km² — quase uma ordem de grandeza maior — a apenas 2 câmeras/100 km²).

As estimativas não apenas diferiram — o desenho compacto retornou uma densidade de 0,12 animais/100 km² contra os 0,534 do desenho difuso, cerca de cinco vezes maior no arranjo difuso. Pior, o arranjo compacto representou mal a forma como os felinos de fato usavam o espaço, inflando o parâmetro de movimento σ̂ para 12,23 contra 3,27 no desenho difuso. A lição que os autores tiram é a mesma que Tobler e Powell tiraram para as onças-pintadas e que a revisão de referência tirou entre espécies: “amostrar uma área pequena, de tamanho aproximado ao de uma única área de vida, está sujeito a vieses resultantes de haver pouquíssimos indivíduos na paisagem, com probabilidades de encontro muito baixas”. Para trabalhos de densidade, uma grade compacta e pequena pode ser muito pior do que uma esparsa e grande. Cobrir área suficiente para expor indivíduos suficientes — isso, mais do que compactar as câmeras, é o que compra uma estimativa defensável.

Para trabalhos de densidade, uma grade compacta e pequena pode ser muito pior do que uma esparsa e grande.

Duração: por quanto tempo deixar cada câmera e por quanto tempo rodar o levantamento

Dois relógios diferentes estão correndo, e as pessoas os confundem. Um é por quanto tempo uma única câmera deve ficar em um ponto. O outro é a duração total do levantamento / o total de noites-armadilha. Ambos têm bons pontos de ancoragem empíricos.

Duração por câmera. A subamostragem de Kays et al. dá a orientação mais clara que alguém já deu: rodar uma câmera por 2 semanas foi o mais eficiente para detectar novas espécies, mas 3–4 semanas foram necessárias para estimativas precisas da taxa de detecção local, “sem ganhos de precisão observados após 1 mês”. A recomendação de destaque deles — “rode cada câmera por 3 a 5 semanas em 40 a 60 sítios por arranjo” — é hoje o padrão de fato para estudos de comunidade. O estudo intensivo de dois anos de Si et al. em uma única parcela chinesa acrescenta uma regra complementar: novas espécies acumulam-se rapidamente nos primeiros ~40 dias em um sítio, e depois a taxa despenca, então eles sugerem alternar as câmeras “a cada ~40 dias” ou após cerca de 20 fotografias independentes.

Sítios versus sessões — o veredito recorrente. Quando as câmeras são limitadas (elas sempre são), você deve amostrar mais sítios por menos tempo, ou menos sítios por mais tempo? Para riqueza e abundância relativa, a resposta é consistente entre os estudos: espalhe. Si et al. constataram que, dado o mesmo total de câmeras-dia, “era melhor instalar as câmeras em mais sítios por um tempo mais curto em cada sítio, do que deixar as câmeras no mesmo sítio” — a 1.000 câmeras-dia, três sítios detectaram 80% das espécies enquanto 19 sítios detectaram 90%. Kays et al. chegam à mesma conclusão, e o guia da WWF a expressa como política: “amostre mais localizações por um período mais curto, em vez de amostrar apenas algumas localizações por um tempo muito longo”. (A ocupação é a exceção parcial — para uma espécie rara e agregada ainda é melhor mover as câmeras e amostrar mais sítios, mas para uma espécie comum ou de detecção muito baixa, amostrar menos sítios por mais tempo pode, na verdade, ser mais eficiente.)

Total de noites-armadilha. Multiplique as metas e você obtém um piso. A aritmética do guia da WWF — 20–50 localizações × 30 noites-armadilha cada — dá de 600 a 1.500 noites-armadilha para um estudo de riqueza/diversidade, com a recomendação geral de que “estudos de diversidade devem ter pelo menos 1.000 noites-armadilha”. A rarefação de Si et al. colocou o mínimo em 931 câmeras-dia para detectar 90% das espécies comuns em seu sítio, com cerca de 8.700 câmeras-dia necessárias para detectar todas as 10 espécies residentes — uma ilustração gritante de como a longa cauda de espécies raras faz o esforço explodir. A revisão de Burton constatou que o esforço mediano no mundo real foi de 2.055 dias-armadilha, mas alertou que quase um terço (28,9%) dos estudos teve menos de 1.000 dias-armadilha no total, “o que provavelmente é insuficiente para detectar espécies raras”.

Para trabalhos de densidade a fasquia sobe. Para abundância relativa e REM, um índice deveria repousar sobre mais de 10, idealmente mais de 20, capturas — e “para densidades típicas de muitos carnívoros (e dos ungulados mais raros), serão necessárias pelo menos 2.000 noites-armadilha para obter 20 capturas”. A revisão de referência sobre SECR encontrou uma mediana de 3.124 câmeras-dia por ano, com 71,6% dos estudos rodando um ano ou menos. Levantamentos de onças-pintadas, por causa do pressuposto de fechamento, caminham na corda bamba: curtos o suficiente para supor que a população não mudou, longos o suficiente para reunir dados, com Tobler e Powell recomendando um mínimo de 60 dias, muitas vezes 90 ou até 120 — rejeitando explicitamente a janela comum de 30 dias como imprecisa demais.

Um marco sóbrio sobre se todo esse esforço de fato compensa: entre os estudos de SECR, a mediana do coeficiente de variação foi de 30%, e “75,6% dos estudos relataram um CV ≤40%, mas apenas 21% dos estudos relataram um CV ≤20%”. A maioria dos levantamentos de densidade não é tão precisa quanto seus autores gostariam. E somente 10,5% deles rodaram qualquer simulação antes do trabalho de campo para descobrir.

A maioria dos levantamentos de densidade não é tão precisa quanto seus autores gostariam. E somente 10,5% deles rodaram qualquer simulação antes do trabalho de campo para descobrir.

A probabilidade de detecção é a variável oculta por trás de tudo isso

Se há um parâmetro que governa silenciosamente espaçamento, densidade e duração, é a probabilidade de detecção — a chance de você fotografar uma espécie dado que ela está presente. Deixe-a baixa demais e seus modelos não apenas perdem precisão, eles quebram.

O limiar a lembrar: probabilidades de detecção abaixo de 0,2 “muitas vezes levam a vieses significativos e a problemas de convergência, mesmo nos modelos de estado único mais simples”. E os métodos aos quais você poderia recorrer para captar uma ecologia mais rica pioram o problema — modelos de ocupação multiestado “exigem probabilidades de detecção mais altas em comparação com os modelos de estado único”, e “o número de sítios necessário foi substancialmente maior para os modelos multiestado”. A forma como detecção e esforço se compensam é regular: “as probabilidades mínimas de detecção necessárias diminuíram à medida que o número de levantamentos aumentou, para todos os modelos”. Em outras palavras, você pode comprar sua saída de uma detecção baixa com mais ocasiões amostrais — até certo ponto.

É também por isso que a ocasião de sete dias é tão comum: Kays et al. definiram a probabilidade de detecção como “a probabilidade de detectar uma espécie presente durante um período de sete dias em um sítio de câmera”, agregando dados diários em janelas semanais, de modo que mesmo espécies detectadas de forma esparsa produzam históricos de detecção viáveis. Agrupar detecções em ocasiões de múltiplos dias é uma alavanca legítima e sem custo para elevar a probabilidade de detecção e melhorar o ajuste do modelo. Instalar mais câmeras por sítio também é. Ambas elevam a detecção sem as violações de pressupostos que a isca e o direcionamento a trilhas introduzem — o que nos leva à parte genuinamente contestada do desenho amostral.

Estratégia de alocação e espécie-alvo: a verdadeira bifurcação do caminho

Para onde você aponta a câmera — em uma trilha de fauna ou em um ponto aleatório — é a decisão que divide o campo, porque ela troca viés por volume de dados, e diferentes espécies ficam em lados diferentes dessa troca.

A evidência de que a alocação enviesa seus dados é esmagadora e consistente. Na Virgínia, Kolowski e Forrester instalaram câmeras pareadas e constataram que a probabilidade de detecção subiu de 11 a 33% para cinco espécies em trilhas de fauna em comparação com localizações aleatórias, e de 24,9 a 38,2% para roedores em troncos caídos; no caso mais extremo, uma categoria de “camundongo” registrou 65 eventos de captura em troncos contra apenas uma única captura em localizações aleatórias. As taxas de captura variaram de 1,7 a 9,67 vezes mais altas nas câmeras baseadas em feições. Na Itália, Greco et al. instalaram 60 câmeras por estratégia e registraram uma média de oito espécies na rede de trilhas contra quatro fora das trilhas, com o lobo e o gato-bravo rendendo apenas cinco eventos fora das trilhas cada um, contra 242 e 80 nas trilhas — e 6 vezes mais dados no total nas trilhas. Oito das 11 espécies testadas mostraram maior detecção e ocupação nas trilhas.

Então as trilhas vencem, certo? Não para trabalhos de comunidade, e eis o viés que elas contrabandeiam: a composição muda. No estudo italiano, os ungulados silvestres representaram 49% da abundância relativa fora das trilhas, mas apenas 28% nas trilhas, enquanto os carnívoros passaram de 32% fora das trilhas para 56% nas trilhas. Você não apenas obtém mais dados nas trilhas — você obtém uma comunidade com um formato diferente, ponderada em favor das espécies que gostam de trilhas. O experimento pareado de savana de Cusack et al. na Tanzânia identifica quais: os carnívoros tinham probabilidade significativamente maior de serem captados em alocações de trilha na estação seca, e as espécies de maior porte na estação chuvosa. A constatação tranquilizadora deles para levantamentos de riqueza: “dado um esforço amostral adequado (>1.400 noites-armadilha), a estratégia de alocação provavelmente não afeta as inferências feitas no nível da comunidade” — mas abaixo desse esforço, e para grupos tróficos específicos, ela afeta e muito.

É aqui que duas fontes autorizadas apontam em direções opostas, e você precisa entender por quê antes de escolher. Para trabalhos de comunidade, ocupação e REM, a orientação é enfática de que a aleatorização é essencial — a alocação não aleatória “viola um princípio fundamental da teoria de amostragem: a seleção aleatória das unidades amostrais”, corre o risco de perder habitats e espécies inteiros e enviesa a abundância relativa em favor dos usuários de trilhas. Mas para a densidade por SECR de uma espécie marcada e esquiva, Tobler e Powell recomendam o inverso — posicione as câmeras “em trilhas bem estabelecidas e estradas de extração madeireira frequentemente usadas pelas onças-pintadas”, porque “câmeras posicionadas aleatoriamente na paisagem têm uma probabilidade de captura muito baixa para onças-pintadas e resultarão em dados ruins”. A reconciliação não é um meio-termo; é a pergunta de novo. Se o seu estimador precisa de uma amostra não enviesada da comunidade (aleatória) versus recapturas suficientes de um indivíduo críptico para ajustar um modelo espacial (trilha), a alocação “certa” genuinamente difere — e se você misturar câmeras de trilha e fora de trilha, registre a alocação como covariável para que o modelo possa levá-la em conta.

A lição mais profunda é que as espécies não respondem de modo uniforme a nada disso. Até espécies de porte semelhante e proximamente aparentadas reagem de forma diferente às mesmas escolhas de desenho, o que leva alguns autores a defender que os programas de monitoramento deveriam empregar uma “mistura de estratégias de desenho amostral” em vez de uma única abordagem padronizada, quando se importam com uma comunidade diversa. (A página desse artigo estava bloqueada por bot quando seu arquivo de origem foi capturado, então isso reflete o registro que o pacote de pesquisa fez dele, e não um texto que pude ler diretamente.) A jogada prática quando você tem um arranjo e várias espécies-alvo: projete para a mais difícil — a espécie mais rara, de menor detectabilidade e maior área de deslocamento define seu espaçamento e esforço, e as espécies mais fáceis vêm de carona.

Você não apenas obtém mais dados nas trilhas — você obtém uma comunidade com um formato diferente, ponderada em favor das espécies que gostam de trilhas.

Iscas e atrativos: uma alavanca tentadora com um ferrão

Os atrativos elevam a detecção, ponto final. A questão é o que eles custam a você. Em um teste de 844 estações por Alberta, o atrativo olfativo produziu um forte efeito positivo sobre os predadores em geral (β = 0,75) e um efeito muito forte sobre a marta-pescadora (β = 2,23) — mas nenhum efeito sobre o lobo-cinzento (β = -0,01, p = 0,973) e nenhum sobre espécies-presa ou ungulados. Essa é a armadilha: o atrativo ajuda algumas espécies, ignora outras, e assim “pode introduzir um viés desconhecido nas inferências entre múltiplas espécies”, o que significa que levantamentos multiespécie “devem levar em conta o efeito variável do atrativo olfativo”.

O veredito de nível-protocolo reflete isso. O guia da WWF afirma sem rodeios que “o uso de atrativos (iscas e atrativos olfativos) não é recomendado em levantamentos formais com armadilhas fotográficas, a menos que haja razões muito convincentes para usá-los e seja possível controlar seus efeitos”. O TEAM não usa isca alguma. A nuance do lado da simulação de ocupação: isca e direcionamento a trilhas são amplamente usados para empurrar a detecção acima daquele piso perigoso de 0,2, e o ganho no desempenho do modelo pode valer o viés — mas a agregação de dados e múltiplas câmeras por sítio alcançam o mesmo aumento “sem necessariamente violar os pressupostos do modelo”, então recorra primeiro a essas. Se você usar isca, padronize-a impiedosamente e registre-a como metadado para que possa ser modelada, não ignorada.

As armadilhas que de fato arruínam conjuntos de dados

Amarrando os fios, eis onde o desenho amostral com armadilhas fotográficas mais frequentemente dá errado — e cada uma delas é uma decisão de desenho, não um acidente de campo:

• Nenhum desenho baseado em probabilidade. Os 40,2% de estudos que posicionam câmeras de forma oportunista não conseguem generalizar para além dos pontos exatos que amostraram. Aleatorize, ou estratifique e aleatorize dentro dos estratos.
• Esforço pequeno demais para espécies raras. Menos de 1.000 noites-armadilha provavelmente é insuficiente para detectar as espécies raras que mais importam, e espécies raras, de baixa ocupação, podem precisar de 100–150 ou mais sítios.
• Uma grade pequena demais para a área de vida. Para densidade, um polígono de câmeras menor que ~uma área de vida carrega um viés positivo para cada método testado.
• Tratar uma câmera por sítio como suficiente. Câmeras únicas perdem detecções que dobrar para duas câmeras opostas captaria, distorcendo ocupação e riqueza.
• Ignorar a sazonalidade. Kays et al. constataram que de 37 a 50% das espécies flutuaram significativamente em ocupação ou detecção ao longo do ano, com espécies temperadas variando em abundância relativa por um fator médio de 4 a 5 entre estações. Um instantâneo de uma única estação não é o ano. Escolha sua janela deliberadamente e nunca compare entre estações sem levar isso em conta.
• Confundir seu “sítio”. A mesma palavra cobre a zona de detecção de uma câmera e uma célula de grade de 10 km², e ocupação significa coisas diferentes em cada escala. Defina-a.
• Não simular primeiro. Apenas ~10% dos estudos de SECR rodaram uma análise de poder antes do trabalho de campo — o seguro mais barato contra um resultado pobre em precisão que existe ali.

Seja o que for que você use, documente o próprio desenho como metadados estruturados — altura e direção da câmera, espaçamento, duração, isca, características da zona de detecção — porque um conjunto de dados cujo desenho não está registrado não pode ser reanalisado nem agrupado com o de mais ninguém. Padrões como o Camtrap DP existem justamente para que o desenho amostral se torne parte dos dados, e não memória institucional perdida. Se você quiser se aprofundar em qualquer uma dessas decisões, o guia de boas práticas da WWF continua sendo a referência única mais completa, e o artigo de Kays et al. é a espinha dorsal empírica para os números de "quantas, por quanto tempo".

Perguntas frequentes