Modelos de ocupação para armadilhas fotográficas: quando uma câmera em branco não significa que o animal se foi

Você deixou uma câmera numa crista por três semanas e nunca fotografou um lince. Não há lince, ou você simplesmente deixou de registrá-lo?

Essa pergunta é o jogo inteiro, e a maioria das análises a resolve errado ao supor que a resposta é óbvia. Não é. Um registro de detecção em branco num sítio ocupado não é uma falha; é o resultado esperado de um fato simples — sua câmera não capta tudo o que passa na frente dela, e um animal que percorre uma área de vida muito maior que o campo de visão da sua câmera passará a maior parte do tempo em algum lugar onde sua câmera não está olhando. Trate esse branco como uma ausência verdadeira e você terá embutido um erro em tudo o que vem depois: seu mapa de distribuição, seu modelo de hábitat, sua conclusão de que “a espécie sumiu desta bacia”. O nome correto e preciso para esse tipo de registro não é “ausência”. As notas de ocupação de Gary White dizem isso sem rodeios: são dados de presença/ausência aparente, e “não detectar uma espécie não implica ausência”.

O modelo de ocupação (modelo de occupancy) é o arcabouço construído para levar isso a sério. Em vez de contar animais, ele faz uma pergunta mais respondível — este sítio está ocupado ou não? — e estima duas coisas ao mesmo tempo: ψ (psi), a probabilidade de um sítio estar ocupado, e p, a probabilidade de você detectar a espécie num levantamento dado dado que ela está ali. O truque que faz isso funcionar é quase constrangedoramente simples: faça o levantamento de cada sítio mais de uma vez. Se você detectar a espécie ao menos uma vez, sabe que aquele sítio esteve ocupado o tempo todo, o que significa que cada levantamento em branco naquele sítio foi um erro, não uma ausência — e a taxa desses erros é exatamente a informação de que você precisa para estimar p, e depois corrigir ψ em todos os sítios onde você não viu nada.

Este é um texto de método para quem de fato vai aplicá-lo: pesquisadores, gestores de fauna e caça e a ponta séria da ciência cidadã. Vamos construir por que a ocupação ingênua é enviesada, como funcionam os modelos de uma única estação e os dinâmicos, o que os pressupostos realmente exigem de você, onde as armadilhas fotográficas especificamente derrubam o modelo e qual software escolher. É prima próxima de outras duas perguntas — como posicionar suas câmeras em primeiro lugar e como transformar detecções em densidade de animais —, mas é uma pergunta distinta, e assim vamos mantê-la. Se você quer a camada de desenho do arranjo de câmeras, veja; se você quer um número em animais por km², veja.

Por que a “ocupação ingênua” é a linha de partida errada

Comece pela tentação que todo mundo sente. Você tem uma grade de sítios com câmeras e um registro para cada um: a espécie-alvo apareceu ou não? O movimento óbvio é chamar de estimativa de ocupação a proporção de sítios onde ela apareceu. Isso é a ocupação ingênua — e é enviesada para baixo, sempre, por uma quantidade que você não consegue ver nem delimitar sem mais informação.

Aqui está o mecanismo, ainda sem matemática. Suponha que uma espécie ocupa de verdade 60 dos seus 100 sítios. Nos 60 sítios ocupados, sua câmera a detecta em, digamos, 40 deles e a perde nos outros 20. Sua estimativa ingênua é 40/100 = 0,40. A verdade era 0,60. Você não mediu a ocupação; você mediu a ocupação vezes a detectabilidade, embaralhadas juntas, e relatou o produto como se fosse a coisa com que se importava. Quanto mais baixa a sua probabilidade de detecção, pior é a diferença — e as probabilidades de detecção são baixas. Numa revisão quantitativa de 537 artigos de ecologia, Kellner e Swihart constataram que, entre os estudos que de fato a relataram, 70% tinham estimativas de detecção por levantamento abaixo de 0,5. A maioria dos levantamentos, na maior parte do tempo, perde a espécie mais vezes do que a capta.

Fica pior no instante em que você faz qualquer coisa interessante com os dados. A demonstração clássica é o “Absent or undetected?” de Gu e Swihart, que mostrou que, quando a sua probabilidade de detectar uma espécie está ela mesma correlacionada com uma variável de hábitat — e em geral está; alguns tipos de cobertura tornam os animais mais fáceis de fotografar que outros —, essa correlação vaza para os coeficientes de hábitat estimados e os enviesa, em qualquer das duas direções conforme os sinais envolvidos. No exemplo deles com captura de pequenos mamíferos, o erro de não detecção foi de 0% a 23% em sete espécies após cinco dias de amostragem. Então o modelo que lhe diz “esta espécie adora mata densa” pode não estar lhe dizendo nada além de “esta espécie é mais fácil de capturar em mata densa”. Os mesmos dados, o significado oposto.

Uma estimativa de ocupação ingênua não é ocupação — é ocupação vezes detectabilidade, relatada como se o segundo número fosse 1.

Essa é a razão para fazer o trabalho extra. Agora, o trabalho em si.

O modelo de uma única estação, construído a partir de um só sítio

Tudo começa com o modelo estático, de uma única estação: um instantâneo no tempo, durante o qual supomos que o estado de ocupação de um sítio não muda. Escolha seus sítios, faça o levantamento de cada um várias vezes dentro de uma janela curta o bastante para que nada entre ou saia, e anote o que você viu como um histórico de detecção — uma cadeia de uns (detectado) e zeros (não detectado), um dígito por levantamento.

O modelo tem duas partes móveis. Um sítio está ocupado com probabilidade ψ, ou não, com probabilidade 1−ψ. Se estiver ocupado, você detecta a espécie em cada levantamento com probabilidade p, ou a perde com probabilidade 1−p. E — este é o pressuposto que carrega todo o peso e ao qual voltaremos — se o sítio está desocupado, você não consegue detectar a espécie de jeito nenhum. A partir dessas peças, você pode escrever a probabilidade de qualquer histórico de detecção. A versão resolvida do livro-texto do MARK é a mais clara que conheço. Para o histórico “01” (perdido no levantamento um, detectado no levantamento dois), a probabilidade é:

ψ (1 − p₁) p₂ — o sítio está ocupado, você o perdeu na primeira vez, você o captou na segunda.

O interessante é o histórico de todos os zeros, “00”. Você não viu nada. Isso significa que o sítio está vazio? O modelo se recusa a supor isso. Sua probabilidade é:

ψ (1 − p₁)(1 − p₂) + (1 − ψ).

Leia isso em voz alta, porque é toda a filosofia numa única linha: ou o sítio estava ocupado e você perdeu a espécie em ambos os levantamentos (o termo da esquerda), ou o sítio de fato não estava ocupado (o termo da direita). O “+” é um OU lógico. Um registro em branco é compatível com as duas histórias, e o modelo mantém ambas vivas, ponderando-as conforme a frequência com que você detecta a espécie nos sítios onde você de fato a viu. É daí que vem a correção. Aplique essa verossimilhança a todos os seus sítios de uma vez e você obtém um ψ que leva em conta os animais que você não fotografou.

Compare isso com o jeito antigo — regressão logística de presença sobre hábitat —, que “supõe que uma espécie estava ausente nos sítios onde não foi detectada, e portanto se sabe que a inferência é enviesada quando a probabilidade de detectar uma espécie num sítio é menor que um”. O modelo de ocupação é, no fundo, essa única correção aplicada com honestidade.

No R, essa é a função `occu()` do pacote unmarked: você constrói um objeto `unmarkedFrameOccu` a partir da sua matriz de detecção e o ajusta com uma fórmula dupla — uma parte para a detecção, outra para a ocupação. Voltaremos ao software. Primeiro, os dados de que esses modelos se alimentam, porque, para as armadilhas fotográficas, é ali que se escondem as decisões de verdade.

Transformando um rolo de câmera num histórico de detecção

Um levantamento de aves vem pré-empacotado em ocasiões: você visitou a área úmida na terça, na quinta e no sábado — três levantamentos. Uma armadilha fotográfica não funciona assim. Ela roda de forma contínua por semanas e lhe entrega uma pilha de fotos com marca de data e hora. Antes que qualquer modelo de ocupação possa tocar nisso, você precisa fatiar a instalação em ocasiões discretas por conta própria, e como você fatia muda a sua resposta.

A ferramenta que a maioria usa é a `detectionHistory()` do camtrapR, que pega os seus registros e um `occasionLength` e produz a matriz de detecção/não detecção que o unmarked ou seus primos bayesianos esperam — e, o que é importante, deixa você carregar junto o esforço ativo da câmera, de modo que uma estação que rodou dez dias não seja tratada como uma que rodou trinta. A decisão de julgamento é o comprimento da ocasião, e o guia introdutório de Sollmann expõe o trade-off com clareza:

• Curta demais (digamos, ocasiões diárias) e sua matriz se enche de zeros. Um paredão de zeros empurra a estimativa de detecção para zero e pode quebrar o modelo numericamente.
• Longa demais e você joga informação fora — quinze fotografias separadas de uma raposa num sítio se colapsam num único “1”, e você descartou tudo o que as visitas repetidas deveriam lhe dizer sobre p.
• Mantenha-o constante. A probabilidade de detecção cresce com o comprimento da ocasião, então, se as suas ocasiões (ou o esforço dentro delas) diferem, você precisa colocar o comprimento da ocasião ou o esforço como covariável na detecção, ou aceitar um p enviesado.

Há uma armadilha mais sutil, específica das câmeras, à qual um artigo de 2024 de Goldstein e colegas atribuíram um número: a autocorrelação temporal. Um animal fotografado hoje numa câmera tem mais probabilidade de ser fotografado ali amanhã — ele está usando aquele ponto. Os modelos de ocupação padrão supõem que as suas detecções repetidas são independentes, e quando não são, o modelo lê as detecções agrupadas como uma taxa de detecção mais alta do que a real, e então conclui que os sítios sem detecções provavelmente estão vazios — enviesando a ocupação para baixo. O veredicto deles é sóbrio: a autocorrelação é “provavelmente disseminada nos dados de armadilhas fotográficas, e muitos estudos anteriores de ocupação baseados em dados de armadilhas fotográficas podem ter subestimado sistematicamente as probabilidades de ocupação”. As soluções deles são práticas e vale a pena memorizá-las: teste-a com um teste de qualidade do ajuste de contagem de junções (join-count); se estiver presente, use janelas de detecção maiores para absorver o agrupamento; e não tente consertá-la deixando lacunas entre ocasiões — as lacunas não removem a estrutura temporal e só jogam dados fora.

Fatie a instalação da sua câmera em ocasiões finas demais e o modelo se afoga em zeros; grossas demais e você joga fora as detecções repetidas que a fazem funcionar.

A probabilidade de detecção nunca é constante — então modele-a

A imagem ingênua supõe uma única probabilidade de detecção para tudo. A realidade, da mesma revisão de 537 artigos, é que, quando os pesquisadores se deram ao trabalho de testar se a detecção era constante, em 86% das vezes ela variou de forma significativa. O tempo, a estação, a posição da câmera dentro ou fora de uma trilha, o observador, a lua — tudo isso mexe em p. A boa notícia é que o arcabouço foi construído para isso: você pode modelar a ocupação ψ como função de covariáveis do sítio (hábitat, altitude, distância a uma estrada) e a **detecção p como função de covariáveis do sítio e do levantamento** (esforço, temperatura, estação).

Uma peculiaridade que vale internalizar: como se supõe que a ocupação é fixa dentro de uma estação, as covariáveis que você põe sobre ψ devem ser coisas que não mudam dentro daquela estação — em nível de sítio, constantes no tempo. A detecção p, por outro lado, pode aceitar sem problema covariáveis que variam no tempo, porque você a mede levantamento a levantamento.

Depois há um tipo de heterogeneidade de detecção que você em geral não consegue ver e não consegue colocar numa covariável: a variação impulsionada por quantos animais de fato há num sítio. Um sítio com oito raposas residentes fotografará “uma raposa” com muito mais facilidade que um sítio com uma de passagem. Royle e Nichols transformaram esse incômodo num modelo. A ideia-chave deles é que a variação na abundância induz variação na probabilidade de detecção, por meio de uma relação limpa — a chance de detectar a espécie num sítio é um menos a chance de perder cada indivíduo que há ali:

pᵢ = 1 − (1 − r)^{Nᵢ}, onde r é a probabilidade de detecção por indivíduo e Nᵢ é a abundância local no sítio i.

Mais animais, maior detectabilidade em nível de sítio. Percorra-a no sentido inverso e você pode extrair uma estimativa rudimentar da abundância a partir de nada mais que dados repetidos de detecção/não detecção, sem nunca marcar um indivíduo — esse é o modelo de Royle–Nichols. A lição mais profunda, nas palavras dos próprios Royle e Nichols, é que ignorar esse tipo de heterogeneidade é “um pressuposto de fato de abundância constante entre sítios”, que raramente é o que você quer dizer. O trabalho posterior de Royle generalizou o ponto: quando a detecção varia entre sítios ocupados e você a deixa sem modelar, sua estimativa de ocupação fica enviesada para baixo. A heterogeneidade de detecção não é uma nota de rodapé. É a segunda maior forma pela qual esses modelos dão errado, depois de fingir que a detecção é perfeita, para começar.

Quando a ocupação muda: o modelo dinâmico

Um modelo de uma única estação é uma fotografia. Às vezes você precisa do filme — a espécie está se espalhando por território novo, ou sumindo de lugares onde costumava estar? Esse é o modelo dinâmico, multiestação, a extensão de 2003 de MacKenzie e colegas e um ramo de uma família de modelos que desde então cresceu para abranger múltiplos estados, comunidades e falsos positivos. Ele acrescenta dois parâmetros que são todo o sentido da coisa:

• Colonização (γ, gama): a probabilidade de um sítio que estava desocupado numa estação passar a ocupado na seguinte.
• Extinção local (ε, épsilon): a probabilidade de um sítio que estava ocupado passar a desocupado.

A estrutura espelha o desenho robusto de Pollock: você tem períodos primários (as “estações”, entre as quais a ocupação pode mudar) e, dentro de cada um, levantamentos secundários (as suas visitas repetidas, durante as quais ela não pode). Um aviso sobre a palavra “estação”, porque ela faz as pessoas tropeçarem: no modelo de ocupação ela não significa inverno ou verão. Como afirma sem rodeios um estudo de carnívoros, “no modelo de ocupação a palavra ‘estação’ não significa necessariamente estação geográfica… significa apenas o período em que os dados foram coletados”. Suas estações podem ser três anos consecutivos, ou verão-e-inverno repetidos ao longo de uma década. O modelo não liga para como você as chama; ele liga para que a ocupação esteja fechada dentro de cada uma e aberta entre elas.

Dois estudos com armadilhas fotográficas mostram o modelo ganhando o próprio sustento. Num levantamento de três anos de leopardo-do-norte-da-china, gato-leopardo e raposa-vermelha numa reserva natural chinesa, a equipe usou um modelo dinâmico para perguntar se a ocupação de cada carnívoro era estável ou mutável, e amarrou a colonização e a extirpação à altitude e à perturbação humana — encontrando a ocupação bastante estável, com a altitude pesando mais que a distância a povoados ou estradas. Eles também foram francos sobre a tensão central: os modelos dinâmicos supõem que os sítios estão fechados durante os levantamentos, mas “podem estar ‘abertos’ entre estações”, e essa abertura “introduz heterogeneidade, que… causa viés nas estimativas” que as covariáveis só conseguem absorver em parte.

O exemplo mais instrutivo é um conjunto de dados de armadilhas fotográficas de onze anos e oito espécies do noroeste da Anatólia, na Turquia. Eles o estruturaram como 11 estações de verão e 11 de inverno — 22 períodos primários — e modelaram como o uso que cada espécie fazia de um sítio mudava com a estação, a altitude e a densidade humana, ajustando tudo num arcabouço bayesiano com JAGS e verificando o ajuste com um valor p bayesiano. O achado deles foi um argumento limpo a favor de ir ao dinâmico desde o começo: todas as espécies mostraram sazonalidade no uso do hábitat, mas a intensidade dela diferia por espécie, de modo que um único instantâneo anual teria feito a média até apagar exatamente o padrão que eles buscavam. Se os seus animais se reorganizam ao longo do ano — e a maioria o faz —, um modelo estático mente para você em silêncio sobre um alvo em movimento.

“Estação” num modelo de ocupação não é inverno ou verão — é apenas a janela em que você decide que a ocupação fica parada.

Os pressupostos, e o que eles lhe custam

É aqui que os bons profissionais se separam dos que repetem rituais sem entender. Os modelos de ocupação assentam sobre uma lista curta de pressupostos, e a disciplina está em saber qual deles você está dobrando e o que isso faz com a sua resposta. O capítulo do MARK lista cinco; o tratamento em formato de livro, se você quer cada nuance e as demonstrações por trás delas, é o Occupancy Estimation and Modeling de MacKenzie e colegas.

Três desses merecem um olhar mais de perto para qualquer pessoa que trabalhe com câmeras.

Fechamento, e o recuo honesto para o “uso”. Uma câmera vigia poucos metros quadrados de trilha; a área de vida de um lobo é de centenas de quilômetros quadrados. O animal entra e sai constantemente do campo da sua câmera, o que viola estritamente o fechamento. A resposta madura e honesta da área é reinterpretar o parâmetro: quando uma espécie de amplo deslocamento está disponível de forma aleatória assim, suas estimativas de ocupação continuam não enviesadas, mas ψ deve ser lido como a probabilidade de o sítio ser “usado” pela espécie, não estritamente ocupado. O estudo turco fez exatamente isso, e o disse com clareza — porque um sítio com câmera “pode cobrir apenas uma pequena porção da área de vida de um indivíduo”, a análise deles “estima a probabilidade de uso de um sítio, e não de ocupação”, de modo que escreveram “uso” em todo o texto e rebatizaram a extinção local de “abandono”. Isso não é uma fraqueza a esconder; é a interpretação correta, e enunciá-la é a marca de quem entende o modelo.

Independência, e a armadilha do arranjo de câmeras. Aqui está uma que morde especificamente o pessoal de câmeras. Os autores do MARK dão o cenário exato: “se câmeras remotas ficam próximas umas das outras, um único indivíduo pode ser detectado em múltiplas câmeras (sítios) durante uma dada semana (levantamento)”. Quando isso acontece, seus sítios não são independentes — o mesmo animal está gerando “detecções” em vários deles —, então o número de câmeras superestima o número de unidades independentes do seu estudo. O dano é traiçoeiro: sua estimativa de ocupação em geral fica mais ou menos certa, mas a sua incerteza fica subestimada — intervalos de confiança estreitos demais, uma falsa sensação de precisão. A solução vive na etapa de desenho: espace as câmeras o suficiente para a independência. (Que é uma pergunta distinta da deste artigo, e boa:.)

Sem falsos positivos, e por que a IA aumenta as apostas. Todos os modelos acima supõem que, se você registrou a espécie, ela realmente estava ali. Os modelos de ocupação padrão se desdobram para lidar com falsos negativos — perder um animal presente —, mas supõem que falsos positivos nunca acontecem. Eles acontecem. Miller e colegas construíram o modelo fundacional para lidar com os dois tipos de erro depois que experimentos controlados mostraram que até observadores muito treinados identificam espécies como presentes quando estão ausentes. O aviso deles é afiado: “o viés nos estimadores de ocupação, colonização e extinção pode ser severo quando ocorrem falsos positivos”, e a identificação errada não modelada superestima a ocupação. Isso importa mais agora do que quando foi escrito, porque os classificadores automáticos de espécies cometem exatamente esse erro — rotulando com segurança um coiote como um lobo, um lince-pardo como um lince-euroasiático. Uma detecção mal classificada é um falso positivo no sentido técnico, e se você alimenta um histórico de detecção não verificado, autorrotulado, direto num modelo de ocupação, pode estar modelando os erros do classificador como expansão de área de distribuição. O fluxo de trabalho defensável para o qual o arcabouço de Miller aponta é manter um subconjunto de detecções que sejam verificadas — um tipo confirmado por um humano para o qual se pode assumir a ausência de falsos positivos — e deixar o modelo se apoiar nelas.

Para animais de amplo deslocamento em câmeras, você raramente está estimando ocupação estrita — você está estimando uso do sítio, e os artigos honestos o dizem.

Mais de uma espécie por vez

Se você tem uma grade de câmeras, quase nunca tem uma espécie só — você tem uma comunidade, a maioria fotografada raramente demais para modelar uma de cada vez. Os modelos de ocupação multiespécie (de comunidade) juntam informação entre espécies, de modo que as ricas em dados ajudam a estimar as pobres em dados, sem deixar de corrigir cada uma pela sua própria probabilidade de detecção. O estudo de Rich e colegas sobre uma comunidade de mamíferos do norte de Botsuana é um bom carro-chefe: 44 espécies ao longo de 6.607 noites-armadilha, uma probabilidade média de ocorrência de espécie de 0,32, e um mapa de quais hábitats e áreas protegidas abrigavam a maior diversidade — tudo isso levando em conta o fato de que espécies diferentes são fotografadas a taxas descomunalmente diferentes.

A ressalva honesta vem de Guillera-Arroita e colegas: os modelos de comunidade podem estimar a riqueza de espécies, incluindo um chute sobre espécies nunca detectadas, mas esse chute sobre o não detectado repousa fortemente na estrutura e nos pressupostos do modelo, mais que em dados que você de fato coletou — então interprete os números de riqueza em nível de comunidade com a devida humildade. O modelo é poderoso; não é uma bola de cristal para espécies que as suas câmeras nunca viram.

Quantas visitas antes que “ausente” signifique algo?

Esta é a pergunta que os gestores fazem de verdade: fiz o levantamento e não encontrei nada — agora posso dizer que a espécie não está aqui? A resposta da ocupação é refrescantemente concreta: você nunca pode dizer “ausente” com certeza, mas pode tornar a probabilidade de ter perdido uma espécie presente tão pequena quanto quiser, empilhando chances de detecção. Se a sua detecção por levantamento é p, a probabilidade de você perder um sítio ocupado ao longo de k levantamentos independentes é (1−p)^k — um p pequeno só significa que você precisa de mais k. A literatura de desenho de levantamentos trabalha isso pelo lado prático: decida quanta confiança você precisa ter, e então aloque visitas suficientes e esforço por visita para empurrar a sua probabilidade de detecção acumulada até ela. Para câmeras, “mais visitas” em geral significa “deixe-a instalada por mais tempo”, que é a alavanca mais barata que você tem. E você nem sempre precisa de um levantamento feito de propósito: Wevers e colegas construíram modelos de distribuição para javali e corço no Jura suíço a partir de “captura incidental” (by-catch) de armadilhas fotográficas — detecções que se acumularam durante levantamentos de fauna de inverno voltados para outra coisa — modelando primeiro a detectabilidade e corrigindo depois por ela. As detecções que você já tem muitas vezes podem responder a uma pergunta de ocupação, contanto que você leve em conta o quão imperfeitamente as coletou.

E quando o que está em jogo é alto — uma espécie ameaçada, uma decisão sobre hábitat crítico —, a postura conservadora é a que Bennett e colegas defendem: como a detecção imperfeita é a norma e nos faltam boas estimativas de detectabilidade para a maioria das espécies prioritárias, “a ausência em levantamentos deveria ser considerada apenas indicativa”, e o hábitat crítico deveria ser gerido como ocupado mesmo quando a presença não está confirmada. Uma não detecção é evidência, não prova, e o quão forte é essa evidência depende inteiramente do quanto você procurou.

Você nunca pode provar que uma espécie está ausente — só tornar as chances de tê-la perdido tão pequenas quanto você estiver disposto a trabalhar.

O software, em breve

Você não precisa programar uma verossimilhança na mão. O ecossistema é maduro, e qual ferramenta você escolhe depende sobretudo de quanto você quer programar e de quão grande ou complexo é o seu problema.

Um pipeline típico de armadilhas fotográficas vai de camtrapR → unmarked (ou ubms / spOccupancy), com o PRESENCE como alternativa sem código. Se você está aprendendo o arcabouço do zero, o pacote `occupancyTuts` do USGS é uma rampa de entrada genuinamente boa: 28 tutoriais interativos cobrindo uma única estação, dinâmica, desenho de estudo e os modelos derivados, com vídeos e exercícios.

Uma nota leve sobre o fluxo de trabalho, porque é o gargalo antes que qualquer um desses softwares rode: os modelos de ocupação precisam de históricos de detecção limpos, e a parte lenta quase sempre é separar milhares de fotos para achar o punhado com a sua espécie-alvo dentro — e não rotulá-las errado, o que, como vimos, é um falso positivo que o modelo vai levar ao pé da letra.

A ocupação é uma quantidade real — não a transforme em abundância às escondidas

Uma disciplina de fechamento, porque é o abuso mais comum. A ocupação é uma quantidade legítima e útil por si só — a proporção de sítios usados, como ela muda com o hábitat, como varia entre os anos. O que ela não é, é um substituto da abundância. Sollmann é explícito: “a ocupação não deve ser mal interpretada como um índice de abundância”, porque a relação entre as duas depende do tamanho da área de distribuição de uma espécie e do seu comportamento. Um sítio pode ser lido como “ocupado” quer o use um animal, quer o usem cinquenta. Se o número de que você realmente precisa é animais por quilômetro quadrado, a ocupação é o modelo errado e você quer, em vez disso, a família de densidade. Use a ocupação para aquilo em que ela é brilhante — onde uma espécie está e para onde ela vai — e deixe que pare por aí.

Perguntas frequentes