Como estimar a densidade da fauna com armadilhas fotográficas sem marcar os animais

Uma câmera que dispara mil vezes quase não diz nada sobre quantos animais vivem à sua frente. Podem ser mil veados diferentes passando uma vez cada, ou uma única raposa atrevida que descobriu que a lente é um brinquedo de morder muito satisfatório. Essa ambiguidade — muitos indivíduos móveis contra um único residente ocupado — é todo o problema. É por isso que uma “taxa de captura” bruta nunca foi uma moeda confiável, e por isso, durante décadas, a estimativa de densidade com armadilhas fotográficas se resumiu a tigres, leopardos e pouco mais: era preciso ter pelagens reconhecíveis individualmente para aplicar a captura-recaptura.

A maioria das espécies não tem listras. Uma raposa-vermelha é uma raposa-vermelha. Então surgiu uma família de métodos para fazer algo que soa quase engenhoso demais — estimar a densidade absoluta, animais por quilômetro quadrado, a partir de animais não marcados que você não consegue distinguir entre si. Este é o guia dessa família: o Random Encounter Model (modelo de encontro aleatório, REM) e seus descendentes, o que cada um realmente exige de você e as maneiras específicas pelas quais cada um vai enganar você se você não tomar cuidado. Nenhum é mágico e — isto importa — nenhum é a resposta universal. O estado honesto do campo é um conjunto de compromissos, não um vencedor.

Se você leu nossos textos sobre Desenho amostral com armadilhas fotográficas: espaçamento, densidade e duração ou sobre Câmera de fauna celular ou com cartão SD: qual você deve comprar?, esta é a camada analítica que fica por baixo: você já posicionou as câmeras, você tem as detecções e agora quer um número com unidade.

Por que “apenas contar as fotos” nunca ia funcionar

Duas coisas quebram a abordagem ingênua. Primeiro, o problema da identidade individual já mencionado: as detecções não correspondem de forma limpa aos animais. Segundo, e de modo mais sutil, o movimento dos animais borra a área amostrada. Uma câmera amostra algum trecho de terreno, mas de que tamanho é esse trecho? Depende do quanto os animais que você tenta contar costumam perambular, o que você geralmente não sabe. Sem uma área amostrada definida, uma estimativa de abundância não tem denominador — não há um espaço claro ao qual ela se refira.

Então o campo se divide, na verdade, conforme cada método lida com esse problema do espaço. Alguns estimam a abundância em uma câmera sem nenhuma referência espacial e deixam você atribuí-la a uma área depois. Alguns incorporam a área explicitamente no modelo. E alguns — aqueles em que este guia se apoia — estimam a densidade diretamente dentro do campo de visão coletivo das câmeras e assumem que essa visão representa a paisagem mais ampla. Essa última suposição, “as câmeras enxergam uma amostra justa”, está fazendo um trabalho enorme, e é exatamente por isso que a disciplina de posicionamento acaba importando mais do que qualquer escolha de modelagem.

Aqui está um número que deveria reformular o modo como você pensa sobre toda essa empreitada. Uma revisão de 927 estudos com armadilhas fotográficas publicados entre 2014 e 2019 constatou que apenas cerca de 5,5% usaram algum método de estimativa de abundância. A esmagadora maioria recorreu a índices de abundância relativa, a ocupação ou a comportamento. Os métodos abaixo não são o padrão trilhado. Eles são uma fronteira, e recompensam quem entende suas suposições em vez de tratá-los como uma caixa-preta.

Uma câmera que dispara mil vezes quase não diz nada sobre quantos animais vivem à sua frente.

O Random Encounter Model: animais como partículas de gás

O REM é o fundador, e sua ideia central é emprestada, lindamente, da física do século XIX. Os físicos modelaram com que frequência as moléculas de gás colidem. Rowcliffe e colegas perceberam que os animais esbarrando na zona de detecção de uma câmera são o mesmo tipo de processo. Trate os animais como partículas de gás ideal se movendo aleatoriamente pelo espaço, e a taxa com que eles disparam uma câmera se torna uma função previsível de quantos são, de quão rápido se movem e de quão grande é a zona de detecção.

Na prática, isso significa que o REM escala a taxa de captura para densidade usando quatro ingredientes: o tamanho médio do grupo e a amplitude diária (a distância que um animal percorre em um dia) do lado da biologia, e o raio e o ângulo da zona de detecção da câmera do lado do equipamento. Obtenha estimativas não enviesadas disso, posicione suas câmeras sem viés e as fotos dão a você a densidade.

O teste de campo original é instrutivo justamente por onde falhou. Em um parque de fauna inglês cercado, com números de animais conhecidos, o REM acertou três das quatro espécies dentro de 22% da contagem verdadeira. A quarta — um pequeno marsupial chamado mara — saiu 86% baixa demais. O motivo não foi o modelo. Foi que cerca de 90% dos maras pastavam em gramados abertos onde os pesquisadores deliberadamente não haviam colocado câmeras, para evitar fotografar visitantes. A lição ecoou por cada artigo desde então: no instante em que você deixa o posicionamento das câmeras se correlacionar com onde os animais estão, o REM quebra. Nada de mirar em trilhas, vestígios, bebedouros ou iscas para turbinar sua taxa de captura — isso viola o modelo de observação e “não pode fornecer estimativas de densidade não enviesadas”.

A segunda dor de cabeça recorrente é a amplitude diária. Saber a distância que os seus animais de estudo percorrem por dia, sem viés, é genuinamente difícil. Atalhos alométricos (estimar a amplitude diária a partir do tamanho corporal) “introduzem grande viés e devem ser usados com cautela”. Você pode obtê-la a partir de coleiras GPS, mas um estudo com urso-negro deixou o modo de falha vívido: registros de coleira feitos em intervalos longos subestimam o quanto o animal de fato se moveu, o que por sua vez superestima a densidade — e o viés morde com mais força para espécies de deslocamento lento. Nesse mesmo estudo, o REM chegou a uma densidade crível de urso-negro que não foi significativamente diferente de uma referência de captura-recaptura espacial baseada em DNA, mas apenas quando o dado de velocidade foi tratado com cuidado. O paradoxo é quase filosófico: se você precisa de dados caros de coleira para alimentar o REM, você perdeu a vantagem barata e não invasiva que tornou o REM atraente em primeiro lugar.

Aplique o REM a uma espécie que não se comporta como uma partícula de gás e você consegue ver a tensão diretamente. As leoas do Serengeti passam os dias cochilando sob árvores isoladas — e árvores isoladas são exatamente onde você poria uma câmera. Todo modelo REM naquele estudo superestimou a densidade de leões; restringir a análise às fotos noturnas, quando os leões de fato se movem, reduziu o viés substancialmente. Esse é o ofício recorrente do REM: encontre os momentos e lugares onde seus animais se movem aleatoriamente em relação às câmeras e apoie-se neles.

No instante em que você deixa o posicionamento das câmeras se correlacionar com onde os animais estão, o Random Encounter Model quebra.

Amostragem por distância para câmeras (CT-DS): tome emprestada uma caixa de ferramentas de 50 anos

A amostragem por distância com armadilhas fotográficas faz uma aposta diferente. A amostragem por distância — medir como a detecção diminui com a distância a um observador — é um dos arcabouços mais maduros e mais bem embasados de todo o levantamento de fauna, com décadas de teoria, softwares e orientação de desenho por trás. Howe, Buckland e colegas adaptaram a amostragem por distância de transectos pontuais de modo que uma câmera faça o papel do observador.

A mecânica é elegante. Em vez de tentar estimar a velocidade dos animais, o CT-DS registra a distância radial até cada animal em instantes de captura predeterminados, separados por alguns segundos, e modela como a detecção declina com a distância. Como os instantâneos são horários fixos de relógio, escolhidos independentemente de onde os animais por acaso estejam, o movimento não enviesa a distribuição das distâncias. Você herda todo o aparato da amostragem por distância — o programa Distance, as convenções de seleção de modelos, tudo — e nunca precisa estimar a amplitude diária.

O que o CT-DS exige em troca é detecção certa bem em frente à câmera (distância zero). Animais pequenos escorregando por baixo do campo de visão, meios-corpos que não podem ser identificados ou um disparo lento, tudo isso viola essa exigência — e a solução é truncar à esquerda, descartando as distâncias próximas à câmera onde a detecção não é certa. Ele também só consegue contar animais que estejam disponíveis para serem vistos: uma espécie que passa metade do tempo debaixo da terra ou no dossel aparece como metade de sua densidade verdadeira, a menos que você corrija esse tempo indisponível.

O CT-DS brilha em escala e para muitas espécies ao mesmo tempo. Em um levantamento do Parque Nacional de Salonga na República Democrática do Congo — 160 câmeras espalhadas por 17.000 quilômetros quadrados — uma única aplicação de CT-DS produziu estimativas de densidade para 14 espécies simultaneamente, de um musaranho-elefante de 200 gramas a elefantes-de-floresta, incluindo os primeiríssimos números de densidade para o pavão-do-congo e o pangolim-gigante. Esse alcance multiespécie é algo que o REST e o TIFC têm dificuldade de igualar.

Mas Salonga também expôs o modo de falha mais desagradável do CT-DS: os animais reagirem à câmera. Os elefantes-de-floresta acharam as câmeras fascinantes e demoravam-se à frente delas, cheirando e investigando. Incluir essas observações reativas inflou a densidade dos elefantes em até duas ordens de magnitude. Os bonobos fizeram o oposto — recuando cautelosos —, o que inflou a densidade deles em cerca de 15%. As defesas recomendadas são implantar as câmeras um mês antes para que os animais se habituem, ou preferir um método menos sensível à reatividade para os piores casos.

Há também uma armadilha mais discreta do CT-DS que vale conhecer, porque é fácil de deixar passar e as consequências são grandes. O CT-DS foi projetado para vídeo. Se você o aplica a imagens estáticas, a câmera fica cega durante seu tempo de recuperação e durante os períodos em que um animal parado deixa de redispará-la. Se você não subtrair esses intervalos mortos do seu esforço de levantamento, você pode subestimar a densidade em até 96% — porque você creditou à câmera um tempo de amostragem que ela passou dormindo. O intervalo morto médio em um estudo europeu variou de 8 a 15 segundos dependendo da espécie, o que se acumula rápido.

REST: troque a velocidade pelo tempo de permanência

O Random Encounter and Staying Time model é o primo japonês esperto do REM. Ele mantém a lógica de encontro do REM, mas troca o parâmetro que todo mundo detesta — a amplitude diária — por um que você consegue ler direto da filmagem: o tempo de permanência, quanto tempo um animal se demora em uma pequena zona focal predefinida onde você tem confiança de que a detecção é certa. Como o tempo de permanência é inversamente proporcional à velocidade, ele carrega a mesma informação sem que você jamais precise colocar coleira em nada.

O REST tem uma propriedade digna de nota: em simulações, ele permaneceu não enviesado mesmo quando os animais individuais se moviam em velocidades diferentes e mesmo quando andavam em pares. Essa robustez é real e valiosa. Mas o REST vem com uma ficha corrida famosamente explícita — os autores listam sete suposições abertamente. Duas delas causam a maior parte dos problemas no campo. Primeiro, se os animais não estão ativos em sincronia — alguns dormindo enquanto outros forrageiam —, o REST subestima a densidade. Segundo, um animal que se deita e descansa dentro da zona focal produz um tempo de permanência absurdamente longo que puxa a média para cima e superestima a densidade; a solução é descartar esses valores atípicos e corrigir seu esforço pela fração do dia em que os animais estão de fato ativos.

A configuração prática é mais trabalhosa que a do REM. Você define uma área focal — um triângulo equilátero funciona melhor — geralmente com cerca de 1,9 metro de lado, centrada no campo de visão, e verifica que a detecção dentro dela realmente é certa. Você opera a câmera com nenhum atraso entre disparos (um atraso infla seu cálculo de esforço e enviesa a densidade para baixo), com sensores rápidos e bateria generosa, de preferência gravando vídeo com mais de 15 segundos. Aí vem o trabalho: sobrepor uma imagem de referência da zona focal vazia a cada clipe de animal para medir exatamente quanto tempo ele ficou lá dentro. Os autores do guia prático são refrescantemente francos ao dizer que essa medição é “trabalhosa e está em sua infância”.

O retorno, no único ensaio frente a frente que testou todos os principais métodos juntos, foi a melhor precisão e o menor esforço humano dos três. A pegadinha é o outro lado dessa eficiência: como o REST só usa animais que cruzam o pequeno triângulo focal, ele fica sem dados suficientes para espécies de baixa densidade — justamente as situações em que você mais quer um número.

TIFC: a câmera como um quadrat

O time-in-front-of-camera (tempo em frente à câmera) leva a ideia do tempo de permanência ao seu extremo lógico e, indiscutivelmente, o torna o mais amigável para o profissional de todos. Esqueça separar encontros de tempos de permanência. Basta somar o tempo total que qualquer animal da sua espécie-alvo passou no campo de visão ao longo de toda a implantação, dividir pela área amostrada e pelo tempo total de operação, e você tem a densidade.

O motivo pelo qual isso funciona é genuinamente satisfatório. O tempo acumulado no campo de visão é invariante à velocidade com que os animais se movem e ao tamanho de suas áreas de vida. Dobre a velocidade de um animal e ele passa metade do tempo em quadro a cada passagem — mas passa duas vezes mais vezes. Dobre o tamanho da área de vida e ele visita qualquer câmera com metade da frequência — mas há duas vezes mais animais cujas áreas se sobrepõem àquela câmera. A contabilidade se cancela, deixando você com uma medida que não precisa de nenhuma taxa de movimento, nenhum tamanho de grupo e nenhum dado de área de vida. Por isso ele foi implantado em escala enorme: quase 3.000 câmeras por toda a Alberta ao longo de seis anos.

As suposições do TIFC são da mesma família que as demais — posicionamento representativo, nenhuma mudança de comportamento induzida pela câmera, detecção confiável perto da câmera —, mas sua fraqueza característica é aquela que todos os métodos de tempo de permanência compartilham, e o TIFC a sente de forma aguda porque conta cada segundo: animais que se demoram inflam a estimativa. Um estudo recente com ungulados detalhou exatamente como isso se desenrola entre as espécies, e é o alerta mais claro da literatura. Comparado com levantamentos aéreos, o TIFC acertou o alce (solitário, não fica rondando). Saiu 19% baixo para o bisão, porque as câmeras subamostraram as pradarias abertas que o bisão prefere. E deu um surpreendente 116% alto para o uapiti, porque as câmeras ficavam em trilhas de fauna (onde os uapitis se concentram) e os uapitis não paravam de parar para investigar a lente — ambas as coisas inflando o tempo de permanência. Fatores de correção ajudaram, mas os autores alertam que esses fatores podem precisar de reajuste para cada paisagem. A lição não é “o TIFC é ruim”. É que o mesmo método pode ser não enviesado, enviesado para baixo e enviesado para cima para três espécies no mesmo conjunto de dados, inteiramente por causa de posicionamento e comportamento.

O mesmo método foi não enviesado para o alce, enviesado para baixo para o bisão e enviesado para cima para o uapiti — em um único conjunto de dados, inteiramente por causa de onde as câmeras ficavam e de como os animais se comportavam.

Tempo até o evento e espaço até o evento: contar o relógio e as lacunas

O ramo mais novo veio de biólogos pensando como analistas de sobrevivência. Se uma câmera registra eventos continuamente, então o tempo até o primeiro animal aparecer carrega informação sobre a abundância. Esse é o modelo tempo até o evento (time-to-event, TTE). O problema é que o TTE, como o REM, depende de uma estimativa independente de movimento e é, portanto, sensível à velocidade de deslocamento — em simulações, ele tendeu a subestimar, e feio, para populações de deslocamento lento.

Então a mesma equipe fez algo engenhoso: colapsaram cada ocasião de amostragem a um único instante. Se você só olha um momento congelado, o movimento dos animais durante o intervalo não pode enviesar você. Esse é o modelo espaço até o evento (space-to-event, STE), e suas estimativas são insensíveis à taxa de movimento por completo. O STE usa fotos em time-lapse — quadros tirados em um cronograma em vez de por disparo de movimento —, o que traz uma segunda vantagem subestimada: ele contorna todo o problema da detecção variável do sensor de movimento, porque um quadro programado ou contém um animal ou não contém. Uma simplificação adicional, a amostragem instantânea (instantaneous sampling, IS), apenas conta os animais em cada quadro de time-lapse como uma amostra de área fixa.

Em um teste de campo com uapitis de inverno, o STE entregou a melhor precisão dos novos métodos sem precisar de nenhum dado de movimento, ficando perto da contagem de um levantamento aéreo. Esses métodos também resolvem discretamente problemas de trabalho: o TTE deixa o revisor parar de examinar as imagens após a primeira detecção, e o STE deixa você estimar a abundância sem contar quantos animais há em cada foto — uma economia real, já que as contagens por foto são lentas e sujeitas a erro. O trade-off é que o time-lapse serve para espécies comuns; para animais genuinamente raros, os quadros programados serão em sua maioria vazios. E os três assumem que os animais estão distribuídos de forma aproximadamente aleatória (Poisson) em torno de cada câmera, o que é forçado para espécies muito sociais ou territoriais.

Congele a amostra em um único instante e a velocidade do animal já não pode enganar você — esse único truque é o que separa o space-to-event de tudo o que precisa saber a que velocidade os animais se movem.

Então qual você deve usar?

É aqui que a literatura faz jus ao seu valor, porque alguém finalmente rodou os métodos lado a lado em vez de defender um só. Palencia e colegas colocaram REM, REST e CT-DS sobre as mesmas seis populações de veado-vermelho, javali e raposa-vermelha. O resultado tranquilizador: em cinco das seis populações, os três métodos produziram nenhuma diferença estatisticamente significativa na densidade, e precisão semelhante. Eles não discordam radicalmente.

Mas a textura está nas diferenças. O REM tendeu a ler mais alto que o REST e o CT-DS (que são, como os autores mostram, matematicamente equivalentes). Em precisão e esforço, o REST saiu na frente — o menor coeficiente de variação, o menor tempo de processamento de imagens —, enquanto o CT-DS exigiu a maior análise. Isso gerou a regra prática mais citável do campo:

Trate essa tabela como um ponto de partida, não como um veredicto. A orientação mais profunda da literatura de revisão é escolher com base em três coisas: a história natural da sua espécie-alvo (ela fica rondando? anda em manadas? sobe em árvores?), um quadro amostral cuidadosamente definido e o que a coleta de dados realmente é viável para você. Um método teoricamente melhor, mas que você não consegue executar de forma limpa, vai perder para um mais simples que você consegue.

E mantenha os estudos de validação à vista, porque eles temperam o otimismo. Quando pesquisadores testaram REM, CT-DS e TTE contra a verdade da captura-recaptura espacial em dez espécies neotropicais, os métodos sem marcação foram acurados, mas menos precisos para espécies moderadamente comuns como a jaguatirica — e falharam para as onças-pintadas, a espécie rara, onde não conseguiram igualar a SECR. A conclusão franca: os modelos sem marcação são promissores para animais de abundantes a relativamente raros, mas para os genuinamente raros você ainda quer marcas. O poder estatístico também importa: alcançar a precisão necessária para detectar um declínio populacional real frequentemente exige mais de 100 pontos de câmera, e para espécies raras nem isso talvez baste.

O contraste: captura-recaptura espacial, quando você consegue distinguir indivíduos

Vale deixar claro do que esses métodos sem marcação estão dando a volta. Quando os animais são individualmente identificáveis — padrões naturais de pelagem, cicatrizes ou marcações colocadas —, a captura-recaptura espacial (SECR) é o padrão, e ela faz algo que os métodos sem marcação não conseguem: estima a área efetivamente amostrada estatisticamente, a partir do padrão de onde o mesmo indivíduo é redetectado. Esse é exatamente o problema do denominador que a família sem marcação precisa contornar por suposição.

O motivo pelo qual a SECR não é a resposta para a maioria dos projetos é simplesmente que a maioria das espécies não tem marcas utilizáveis. Uma revisão de estudos de SECR com armadilhas fotográficas encontrou um forte viés a favor dos grandes felinos — as espécies de listras e pintas —, porque é onde a identificação individual é viável, e para muitas dessas espécies a SECR fornece as únicas estimativas de densidade de base que existem. Os dois mundos se encontram nos estudos de comparação, e as comparações são encorajadoras: rode a SECR marcada e o CT-DS e o REM sem marcação sobre a mesma população de marta e todos eles pousam na mesma faixa (estimativas pontuais de 0,49 a 1,20 animal por km²), diferindo principalmente em precisão e custo. O CT-DS foi, na verdade, o método mais preciso naquela disputa específica. Os métodos sem marcação não são um substituto ruim para a SECR — são uma ferramenta legítima que simplesmente troca alguma precisão por não ter de reconhecer ninguém.

A engrenagem por baixo de cada método

Repare no que ficou surgindo em cada seção acima: a zona de detecção e o nível de atividade. Essas duas peças de encanamento alimentam quase todos os métodos, e errá-las corrompe silenciosamente tudo o que vem depois.

A distância de detecção efetiva — a que distância a câmera sente os animais de forma confiável — não é uma propriedade fixa da câmera. Ela escala fortemente com a massa corporal (animais maiores e mais quentes disparam o sensor de mais longe) e é mais curta em vegetação densa. Em um conjunto de dados de floresta tropical, a distância de detecção efetiva variou quase três vezes entre as espécies, e foi cerca de 70% maior na estação seca do que na úmida. As consequências práticas são acentuadas. Você não pode reutilizar a distância de detecção de uma espécie para outra — usar a zona de detecção de um gato doméstico para uma marta subestima a densidade da marta, porque a marta é sentida a um alcance diferente. E uma aparente diferença no uso de hábitat entre dois locais pode acabar sendo nada além de uma diferença de distância de detecção causada pela vegetação. A solução é barata: fincar marcadores de distância no campo de visão (pelo menos cinco intervalos) e ajustar uma função de detecção a qual marcador cada animal cruza. Implante sempre as câmeras com esses marcadores para poder corrigir as taxas de captura depois.

O nível de atividade — a fração do dia em que os animais estão ativos — é a outra correção compartilhada, usada por REST, CT-DS e TIFC para pôr as detecções na base de tempo correta. Ele se apoia em uma suposição que merece um olhar cético: a de que todos os indivíduos estão ativos no pico diário. Quando isso vale, o método funciona; quando não vale, você superestima a atividade e, portanto, subestima a densidade. E nem sempre vale — grandes predadores cujos ciclos de caça se estendem por dias, ou pequenos mamíferos nos dias curtos do inverno profundo em altas latitudes, podem violá-la. Este é o único fio que amarra os modos de falha: um estudo multiespécie colocou de forma clara que REM, REST e CT-DS todos incluem explicitamente uma suposição de atividade, enquanto os métodos de tempo até o evento carregam uma não declarada — a de que os animais estão sempre disponíveis. Uma verificação com câmeras pareadas nesse trabalho constatou que 9% dos animais em uma zona supostamente de detecção certa foram perdidos por completo, o que deveria humilhar a fé de qualquer um na “detecção perfeita à distância zero”.

Errar a zona de detecção ou o nível de atividade corrompe silenciosamente toda estimativa de densidade construída em cima disso.

Fazendo de verdade: praticidades de campo e de software

Se você não levar nada mais do trabalho de comparação e validação, leve estes dois pontos inegociáveis, que todo método compartilha:

1. Posicione as câmeras de forma aleatória em relação ao movimento dos animais. Use um desenho aleatório ou sistemático com origem aleatória. Deslocar uma câmera alguns metros para alcançar uma árvore não tem problema; escolher deliberadamente uma trilha, um raspado, um chafurdadouro ou uma isca é fatal para uma estimativa não enviesada.
2. Use câmeras de alto desempenho. Disparo rápido (bem abaixo de um segundo), recuperação confiável e vídeo ou rajadas rápidas de imagem. Disparos lentos ou instáveis minam a suposição de “detecção certa” que está no cerne do REM, do REST, do CT-DS e do TTE por igual.

Quanto ao esforço, a aritmética bruta é desanimadora, mas útil. A taxa de encontro entre câmeras domina a variância, então mais pontos de câmera batem implantações mais longas em menos pontos. Metas concretas de CT-DS a partir de um grande estudo de esforço versus precisão: um coeficiente de variação em torno de 20% exige aproximadamente 100 dias de amostragem em 50 pontos, ou de 100 a 150 pontos para um levantamento mais curto; empurrar para um CV de 10% pode exigir mais de 200 pontos. Planeje de acordo, e seja honesto consigo mesmo antes de começar sobre se a sua espécie-alvo é comum o bastante para chegar a uma precisão utilizável.

Do lado do software, a boa notícia é que as ferramentas são abertas e estão melhorando. A estimativa de densidade em R é bem apoiada — há um tutorial mantido cobrindo REM, tempo até o evento e espaço até o evento, N-mixture e captura-recaptura espacial sem marcação —, e a correção de atividade vive no pacote `activity`, enquanto a amostragem por distância tem o programa Distance por trás. O mesmo capítulo focado em R é refrescantemente sincero ao dizer que estimar densidade a partir de dados de câmera “não é fácil, muitas vezes não é preciso” e geralmente significa trabalho de verdade — uma atitude saudável para carregar consigo.

A fronteira é a automação, e ela está chegando rápido. Um fluxo de trabalho semiautomatizado de CT-DS agora usa um modelo de profundidade por aprendizado profundo mais um detector automático de animais para medir distâncias de observação direto das fotos, calibrado com apenas duas imagens de referência por câmera. Ele produziu estimativas de densidade estatisticamente indistinguíveis da medição manual meticulosa, ao mesmo tempo em que cortou o tempo de processamento de dados em mais de treze vezes — comprimindo semanas de anotação de distâncias em poucos dias. Os métodos multiespécie também avançam: uma extensão bayesiana do REM agora estima a densidade de uma comunidade inteira de uma vez, incluindo as espécies mais raras, usando apenas informação extraída das próprias imagens.

Não existe método universal, e quem diz o contrário está vendendo algo. REM, CT-DS, REST, TIFC e a família de tempo até o evento são todos legítimos, todos revisados por pares e todos capazes de produzir estimativas de densidade que se sustentam frente a levantamentos independentes — quando suas suposições são respeitadas. Escolha pelo comportamento da sua espécie e pelas realidades dos seus dados, não por qual método tem a derivação mais bonita. Respeite o posicionamento aleatório acima de tudo. Meça a sua zona de detecção. Verifique a suposição de atividade. E dimensione o seu levantamento para a precisão de que você realmente precisa, sabendo que, para espécies raras, a resposta ainda pode ser “você não chega lá a partir daqui sem marcas”. Usadas com essa humildade de olhar claro, as câmeras transformam uma pilha de fotos não atribuíveis em uma das ferramentas de densidade mais potentes e menos invasivas que a ciência da fauna tem.

Perguntas frequentes