De registros de horário a padrões de atividade animal: um fluxo de trabalho com câmeras de fauna

Cada foto que as suas câmeras tiraram já carrega o número mais valioso de todo o conjunto de dados, e ele não é a espécie. É a hora do dia. Uma câmera de fauna dispara quando há um animal presente, então a pilha de registros de horário que você reuniu é uma amostra de quando aquele animal estava acordado e em movimento — mais disparos quando está ativo, menos ou nenhum quando está descansando. Leia um número suficiente desses horários e você consegue reconstruir o formato do dia de uma espécie: quando ela desperta, quando atinge o pico, quando se aquieta. Isso é um padrão de atividade animal, e uma câmera de fauna é uma das poucas maneiras baratas e não invasivas de obter um.

Aqui está todo o fluxo de trabalho de um só fôlego, para você saber aonde isto vai dar. Você extrai uma data-hora limpa de cada imagem (quase sempre a partir dos metadados EXIF, às vezes lendo o registro de horário gravado na própria foto); decide quais registros contam como eventos independentes; converte esses horários de relógio para uma escala circular e, se o seu estudo abrange estações do ano ou fica longe do equador, para hora solar; ajusta uma densidade por núcleo (kernel) circular aos horários para estimar a curva de atividade; e, se estiver comparando duas espécies, calcula o coeficiente de sobreposição (Δ) entre as curvas delas. Em R, o trabalho vive quase inteiramente em três pacotes — `overlap`, `activity` e `camtrapR` — e tudo isso repousa sobre um pré-requisito nada glamouroso: cerca de 100 detecções da espécie antes de você confiar na curva.

Nenhuma dessas etapas é difícil. Várias delas são fáceis de errar de forma silenciosa e invisível — um relógio que desviou, um filtro de “independência” que apaga justamente o pico que você tenta medir, um nascer do sol que se deslocou três horas entre junho e dezembro enquanto o seu eixo x ficou parado. Este texto percorre o fluxo do começo ao fim e, com a mesma importância, sinaliza onde uma análise de atividade confiável diverge de uma sem valor. A diferença geralmente não está na estatística. Está na higiene dos dados que a antecede.

Primeiro, extraia data-hora limpa de cada foto

Você não consegue reconstruir depois quando um animal foi fotografado — não existe uma segunda fonte para isso, como existe, por exemplo, para as coordenadas de uma câmera. Como diz sem rodeios o guia de boas práticas da GBIF, a data e a hora “são o aspecto mais importante dos seus metadados… e não podem ser derivadas depois”. Então esta etapa merece mais cuidado do que costuma receber.

O caminho limpo são os metadados embutidos. Quando uma câmera grava um JPEG, ela carimba a hora de captura no bloco EXIF, no campo `DateTimeOriginal`. As ferramentas leem esse campo diretamente: a função `recordTable()` do `camtrapR` se apoia no ExifTool para extrair o `DateTimeOriginal` de cada imagem e montar uma tabela de registros organizada com estação, espécie e horário. Se as suas imagens carregam um bom EXIF, isso é um problema resolvido — aponte a função para as suas pastas e você terá data-hora legível por máquina em segundos.

Dois hábitos a montante tornam tudo isso mais seguro, e ambos têm a ver com a câmera, não com o software. Primeiro, ajuste o relógio para UTC ou para o horário de inverno local e desative a mudança automática para o horário de verão. O horário de verão é um sabotador silencioso dos dados de atividade: se você acerta o relógio de uma câmera durante o verão e ela não conhece o horário de verão, cada foto de inverno cai uma hora fora da hora de relógio verdadeira, e vice-versa — um erro sistemático de uma hora espalhado por metade dos seus registros. O conselho do `camtrapR` é a versão pragmática da mesma regra: se a sua área de estudo usa horário de verão mas as suas câmeras não o registram, deixe o fuso horário da análise em UTC, porque o UTC não tem nenhum salto de horário de verão em que tropeçar. Segundo, se você mesmo nomeia ou organiza os arquivos, comece os nomes de arquivo pela data — `AAAAMMDD_HHMMSS` — para que ordená-los alfabeticamente também os ordene cronologicamente, e escreva os horários em ISO 8601 (`AAAA-MM-DDTHH:MM:SS`) ao exportar.

Se você descobrir depois que o relógio de uma câmera estava ajustado errado — um implantação inteira deslocada por uma quantidade conhecida —, dá para recuperar. O `camtrapR` inclui `timeShiftImages()` para corrigir em lote os registros de horário nos metadados das imagens, e uma função dedicada, `fixDateTimeOriginal()`, para um modo de falha específico: certas câmeras Reconyx HyperFire que não armazenam a data e a hora na etiqueta padrão. Faça primeiro uma cópia de segurança das imagens. A questão é que erros de relógio pegos cedo são um aborrecimento; erros de relógio que nunca são pegos viram um padrão de atividade fictício.

Defina as suas categorias — mas saiba que elas são uma primeira aproximação grosseira

Antes de qualquer ajuste de curva, ajuda ter o vocabulário que a área usa desde o começo. No momento em que os pesquisadores perceberam que os registros de horário das câmeras podiam descrever a atividade, a primeira coisa que fizeram foi classificar as espécies em quatro grupos:

• Diurna — ativa principalmente à luz do dia.
• Noturna — ativa principalmente à noite.
• Crepuscular — ativa principalmente no crepúsculo, em torno do amanhecer e do entardecer.
• Catemeral — ativa tanto de dia quanto de noite, sem uma preferência marcada.

Essas não são meras impressões; você pode defini-las de forma operacional. Em um levantamento de dois anos de oito mamíferos no norte do Japão, Ikeda e colaboradores classificaram cada foto em dia, noite ou crepúsculo, compararam a frequência fotográfica entre os três períodos com uma ANOVA de um fator e atribuíram a cada espécie uma categoria: diurna se as fotos se agrupavam de dia, noturna se de noite, crepuscular se no crepúsculo e catemeral quando não havia “nenhuma diferença” entre os três períodos. Isso deu classificações nítidas — esquilos-vermelhos-eurasiáticos diurnos, cães-guaxinim e guaxinins noturnos, veados-sica e lebres-da-montanha crepusculares, martas-japonesas e ursos-pardos catemerais.

Duas ressalvas vêm com os grupos. A primeira é que eles são genuinamente grosseiros, e os achados mais interessantes vivem nas frestas entre eles. Esses mesmos veados-sica “mudaram os picos do crepúsculo durante a primavera-outono para o horário diurno no inverno, possivelmente por causa de restrições térmicas”, e as martas foram catemerais na maior parte do ano, mas noturnas no outono. Um único rótulo de categoria teria apagado ambos os matizes. A segunda ressalva é de escala. Globalmente, a divisão em quatro grupos é desequilibrada: em um conjunto de dados de milhares de espécies de mamíferos, Bennie e colaboradores constataram que “a maioria das espécies de mamíferos é noturna (69%…; 20% diurnas, 8,5% catemerais e 2,5% crepusculares)”, e que a estratégia é profundamente conservada ao longo da árvore dos mamíferos (λ de Pagel = 0,947). Então a sua suposição padrão para um mamífero não estudado deveria ser “provavelmente noturno”, e uma classificação diurna confiante merece um segundo olhar — sobretudo diante das armadilhas de posicionamento a que chegaremos mais adiante. As categorias são uma manchete útil. A curva de atividade é a história.

As categorias são uma manchete útil. A curva de atividade é a história.

Independência temporal: a decisão mais consequente — e mais disputada — que você vai tomar

É aqui que as boas intenções arruínam as análises de atividade. As câmeras não tiram uma foto por visita. Um único animal se demorando na frente da lente, ou uma câmera configurada para disparar rajadas de três ou dez quadros por disparo, pode produzir dezenas de registros de horário a partir de um único momento de atividade. Se ficarem, esses horários quase duplicados se acumulam e enviesam a curva na direção “dos horários em que a espécie por acaso se apresentou diante das suas câmeras”, na expressão memorável do `camtrapR` sobre um argus-real que adorava os holofotes.

A correção padrão é um filtro de tempo até a independência (no `camtrapR`, o argumento `minDeltaTime`): reduza a um único evento quaisquer registros da mesma espécie na mesma estação que caiam dentro de certa janela — 30 minutos e 60 minutos são as escolhas comuns. É fácil de aplicar. O `recordTable()` do `camtrapR` usa como padrão `minDeltaTime = 0` (manter tudo) e permite que você defina, digamos, 60 para afinar os dados; na execução de exemplo do pacote, 68 imagens viram 56 registros depois da remoção de horários duplicados, e depois 40 quando um filtro de uma hora é aplicado. De forma crucial, o `minDeltaTime` “afeta todos os resultados dos gráficos de atividade, pois determina a independência temporal entre registros” — mude a janela e você muda a curva.

E esse é exatamente o problema, porque a convenção é contestada na raiz. Peral e colaboradores revisaram 134 estudos de atividade com câmeras de fauna de acesso aberto e constataram que “quase 70% (90 de 134…) aplicam um filtro de tempo até a independência”, tipicamente de 30 minutos, às vezes de 60 ou até de 24 horas. O argumento deles contra isso é conceitual: esses filtros foram tomados emprestados da estimativa de abundância, onde várias fotos de um indivíduo inflam as contagens, mas a atividade não é uma série de eventos discretos — é um estado contínuo. Como eles colocam, o filtro faz o observador “decidir, na prática, que o animal está inativo nesse período, descartando informação significativa sobre a atividade animal”. Pior, o dano é desigual. Usando um conjunto de dados do Serengeti de 164.509 imagens, eles mostraram que herbívoros abundantes e sociais “perderam de 74 a 93% dos dados de atividade quando o tempo até a independência aumentou de 1 para 60 minutos”, enquanto carnívoros raros perderam apenas de 21 a 23%. A filtragem não só reduziu as amostras; deformou as curvas — o pico do meio-dia da gazela caiu até 44% — e, por atingir herbívoros e carnívoros de forma assimétrica, enviesou justamente as comparações de sobreposição predador-presa que as pessoas fazem. A conclusão deles é inequívoca: o uso de filtros de tempo até a independência na estimativa de atividade “não é válido e não deveria ser usado”.

Então o que você deveria de fato fazer? Não leia Peral como “mantenha cada quadro cru”. Leia com precisão. Os quadros em rajada — as dez tomadas que uma câmera dispara em um único acionamento — não são de forma alguma uma amostra do comportamento; são uma configuração definida pelo usuário, e Peral diz explicitamente que eles devem ser excluídos das análises de atividade. A divergência é mais estreita do que parece à primeira vista: quase todo mundo concorda que você precisa remover o acúmulo artificial das rajadas e de um único animal rondando. O desacordo vivo é se, depois disso, deve-se impor uma janela de relógio fixa (30 ou 60 minutos) por cima. A posição mais recente e defensável é remover apenas a não independência óbvia e, no mais, manter os registros, ou — se você filtrar — relatar o que a filtragem faz às suas estimativas, em vez de escolher 30 minutos porque todo mundo escolheu. Seja o que for que você escolha, declare. Um resultado de atividade é ininterpretável sem a sua regra de independência, e o fato de que estudos publicados usaram janelas “variáveis e arbitrárias” significa que as curvas deles muitas vezes não podem ser comparadas de forma significativa entre si. Seja o estudo que é explícito.

Um resultado de atividade é ininterpretável sem a sua regra de independência. Seja o estudo que é explícito.

Ajuste a curva: densidade por núcleo circular e o núcleo de von Mises

Agora a estatística, que é a parte fácil. A hora do dia é circular — 23:59 é adjacente a 00:00, não está a onze horas de distância dela —, então você não pode ajustar uma curva de densidade comum a ela. Você ajusta uma circular. A abordagem padrão, introduzida para dados de câmeras por Ridout e Linkie e hoje o padrão da área, ajusta uma densidade por núcleo aos horários observados usando um núcleo de von Mises (o análogo circular da gaussiana) em vez do núcleo linear habitual. O resultado é uma densidade de probabilidade suave ao longo do ciclo de 24 horas: alta onde o animal está ativo, baixa onde não está.

Alguns detalhes mecânicos importam. Todas essas ferramentas trabalham em radianos, não em horas nem em frações de dia, então a primeira linha de quase qualquer script faz a conversão: `timeRad <- time 2 pi`. O suavizamento é controlado por uma largura de banda, exposta no pacote `overlap` como o argumento `adjust` — aumente-o acima do padrão de 1 para uma curva mais achatada, diminua-o para uma mais pontiaguda —, e a escolha afeta as estimativas de sobreposição a jusante, então não é puramente cosmética. No pacote `activity`, o mesmo serviço é feito por `fitact()`, que ajusta o núcleo circular e, como se acumulam mais registros quando o animal está mais ativo, deriva um nível de atividade global — a proporção do dia que a população passa ativa — a partir da área sob a distribuição.

Dois pacotes de R dominam, e são complementares. Use `overlap` (funções `densityPlot()`, `overlapPlot()`, `overlapEst()`) quando a sua pergunta for sobre comparar as curvas de duas espécies. Use `activity` (`fitact()`, `solartime()`, `compareCkern()`) quando você quiser uma estimativa quantificada do nível de atividade com intervalos de confiança por bootstrap, ou ferramentas mais ricas para comparar distribuições de forma estatística. E o `camtrapR` os amarra às suas imagens: seu `activityDensity()` chama `overlap::densityPlot()`, `activityOverlap()` chama `overlap::overlapPlot()` e `overlapEst()`, e `activityRadial()` e `activityHistogram()` dão a você as vistas de mostrador de relógio e de barras horárias, todas lidas diretamente da tabela de registros. Para visualizar resultados, o gráfico radial e a curva de densidade sobreposta são os dois cavalos de batalha; o gráfico de densidade é o que se deve publicar, porque mostra o formato estimado real em vez de agregar por horas inteiras.

A hora do dia é circular — 23:59 é adjacente a 00:00, não está a onze horas de distância dela —, então você não pode ajustar uma curva de densidade comum a ela.

Comparando espécies: o coeficiente de sobreposição (Δ)

A razão mais comum, de longe, para fazer esta análise é perguntar se duas espécies compartilham o dia — predador e presa, ou dois competidores. O resumo padrão é o coeficiente de sobreposição, Δ, a área que fica sob ambas as curvas de densidade: vai de 0 (nenhuma sobreposição) a 1 (padrões de atividade idênticos). Pense nele como a fração de atividade que as duas espécies têm em comum.

Qual estimador você usa depende do seu menor tamanho amostral, e isso faz as pessoas tropeçarem. O pacote `overlap` oferece três — Dhat1, Dhat4 e Dhat5 — e a orientação é concreta: use Dhat1 para amostras pequenas e Dhat4 para as maiores. Onde exatamente cai o limiar é enunciado de forma um pouco diferente em lugares distintos pelos mesmos autores, o que vale saber: a documentação do pacote diz que “Dhat4 é melhor quando a menor amostra tem pelo menos 50 observações”, enquanto a vinheta do pacote coloca o cruzamento mais alto, recomendando Dhat1 quando a menor amostra é inferior a 50 e Dhat4 quando é “maior que 75”, com uma zona cinzenta no meio. A leitura prática: confortavelmente acima de ~75 na sua menor amostra, Dhat4; claramente pequena, Dhat1; no meio, prefira Dhat1 e não superinterprete. Uma regra é firme em todas as fontes — não use Dhat5, porque “até mudanças minúsculas nos dados podem resultar em mudanças grandes e descontínuas em Dhat5, e ele pode assumir valores > 1”. (Aviso para quem usa `camtrapR`: `activityOverlap()` retorna Dhat1 por padrão, então, se as suas amostras forem grandes, passe `overlapEstimator = "Dhat4"` em vez de aceitar o padrão.)

Os intervalos de confiança vêm de um bootstrap, e um suavizado é preferido — ajustar uma densidade e depois extrair observações simuladas dela —, porque a reamostragem simples nunca pode produzir um horário fora da sua faixa observada, o que é incorreto para um padrão de atividade contínuo. Use reamostragens suficientes: os exemplos costumam mostrar 1.000, mas a vinheta é explícita que “para uma análise real, 10.000 amostras de bootstrap seriam melhores”, e o pacote avisa que “para estimativas estáveis você precisa de pelo menos 999 estimativas de bootstrap, de preferência 10.000”.

Números trabalhados tornam isso concreto. No exemplo canônico de Kerinci, tigres e macacos de uma zona — ambos com mais de 75 observações — deram uma sobreposição Dhat4 de 0,42, uma sobreposição moderada e parcial. Em um estudo predador-presa da Irlanda do Norte, raposas e lebres se sobrepuseram 73% (IC 68-77%) anualmente, raposas e coelhos 80%, raposas e ratos-do-campo 81% — o dia do predador acompanhando o da sua presa —, enquanto martas e esquilos diurnos mostraram o oposto, uma assincronia coerente com a evitação temporal. Entre grandes carnívoros simpátricos no Planalto Qinghai-Tibete, leopardos-das-neves e linces se sobrepuseram Δ = 0,88 (IC 0,80-0,95), leopardos-das-neves e lobos 0,86, lobos e linces 0,83 — todos altos, todos predominantemente noturnos, com a sobreposição caindo para o moderado na estação quente. Uma convenção comum para falar desses números: abaixo de 0,5 é sobreposição baixa, de 0,5 a 0,8 moderada, acima de 0,8 alta. É uma abreviação útil, não uma lei.

Quantos dados bastam? Cerca de 100 detecções

Você pode rodar cada função acima em uma dúzia de fotos. Você não deveria. A pergunta do tamanho amostral tem uma resposta empírica clara de Lashley e colaboradores, que compararam curvas de atividade derivadas de câmeras contra a “verdade” de radiocolares e subamostraram os dados para observar a acurácia se degradar. O achado deles: “a sobreposição média aumentou e o erro de sobreposição diminuiu rapidamente à medida que os tamanhos amostrais aumentavam, até uma assíntota perto de 100 detecções”, além da qual mais dados traziam pouca melhora. A recomendação deles é o número a lembrar — reúna pelo menos 100 detecções de uma espécie-alvo antes de estimar a sua curva de atividade.

Duas ressalvas honestas em torno desse 100. Primeiro, o esforço para conseguir 100 detecções “pode variar amplamente conforme a ecologia, a mobilidade e a detectabilidade da espécie” — trivial para um cervídeo comum, o trabalho de uma temporada inteira para um felino raro. A isca pode ajudar: naquele estudo, as câmeras com isca (“ativas”) obtiveram uma taxa de detecção de cervídeos 700 vezes maior que as passivas colocadas em trilha, o que importa quando você corre para alcançar uma amostra dentro de uma janela biologicamente significativa. Segundo, mesmo com bons tamanhos amostrais, as curvas de câmeras combinaram bem com os radiocolares no formato, mas diferiram na magnitude dos picos — a sobreposição com a verdade dos radiocolares ficou em Δ = 0,74-0,84, com as diferenças estatisticamente significativas concentradas nos horários de pico de alimentação. As câmeras são excelentes para saber quando uma espécie está ativa; seja mais cauteloso ao ler a altura exata de um pico.

Para o próprio bootstrap, o piso é mais baixo, mas ainda real: o pacote `overlap` observa que 40 estimativas de bootstrap é o mínimo absoluto para um intervalo de confiança de 95%, e 200 para 99% — mas, de novo, você quer de centenas a milhares para estabilidade, não o mínimo.

Hora de relógio vs. hora solar: a correção que a maioria das análises descuidadas pula

Esta é a etapa que separa uma análise de atividade cuidadosa de uma malfeita, e ela é invisível se você não sabe que precisa olhar. O nascer e o pôr do sol se deslocam ao longo do ano, e se deslocam mais quanto mais longe você está do equador. Se você junta fotos de várias estações sobre um eixo fixo de hora de relógio, os dois picos de um animal crepuscular — que na verdade acompanham o amanhecer e o entardecer — se borram em corcovas largas e achatadas, porque o “amanhecer” era às 05:00 em junho e às 07:30 em dezembro. Junte ao longo de um intervalo amplo o bastante e você pode até fabricar uma sobreposição que não é real: o exemplo da vinheta, de um morcego que emerge ao pôr do sol e de um gavião que se recolhe para dormir ao pôr do sol, mostra sobreposição zero em qualquer mês isolado, e ainda assim os dados agrupados mostram uma sobreposição aparente puramente porque o pôr do sol se deslocou.

A correção é expressar a hora de cada foto em relação ao sol em vez do relógio. Ambos os pacotes principais fazem isso. No `overlap`, `sunTime()` “converte um vetor de horas de relógio em ‘horas solares’, mapeando o nascer do sol para π/2 e o pôr do sol para 3π/2”, dadas a data e a localização de cada registro. No `activity`, `solartime()` ancora as horas de relógio ao nascer e ao pôr do sol médios para as coordenadas do estudo e retorna tanto uma versão em hora de relógio quanto uma em hora solar, para que você possa compará-las. A regra prática que decorre disso: quanto mais longe você está do equador e quanto mais o seu estudo abrange ao longo do ano, mais a correção importa — as premissas do método de nível de atividade subjacente são explicitamente “menos prováveis de serem atendidas em grandes predadores, ou em invernos de altas latitudes”. Perto do equador, ou para um estudo confinado a uma única janela breve, a hora de relógio costuma bastar.

Na prática, os estudos cuidadosos simplesmente fazem isso. Um estudo de 61 espécies em florestas montanas chinesas “converteu a hora de relógio de cada detecção para uma hora solar relativa para eliminar os impactos da variação na duração do dia” antes de ajustar as curvas. O estudo de carnívoros do planalto padronizou todas as horas de captura para hora solar com `overlap::sunTime()`, explicitamente porque o nascer do sol variava de 5:30 a 8:30 ao longo do ano. O estudo da Irlanda do Norte deslocou cada detecção em relação ao evento solar mais próximo — registros da manhã em relação ao nascer do sol, os do fim de tarde em relação ao pôr do sol —, de modo que uma detecção às 22:10 com um pôr do sol às 20:00 virava “−2 h 10 min”, uma medida limpa de quão adentro da noite o animal estava ativo. Se as suas câmeras ficaram em um único ponto durante um único mês de verão perto dos trópicos, você pode pular isso. Do contrário, converta — e note que as funções de atividade do `camtrapR` usam hora de relógio, não hora solar, então, se você precisa da correção, precisa aplicá-la você mesmo antes de plotar.

Esta é a etapa que separa uma análise de atividade cuidadosa de uma malfeita, e ela é invisível se você não sabe que precisa olhar.

As armadilhas que arruínam um padrão de atividade em silêncio

A maioria das análises de atividade sem valor não é derrubada pela estatística. É derrubada a montante. Os modos de falha recorrentes, mais ou menos na ordem de quão frequentemente mordem:

• Desvio de relógio e horário de verão. Coberto acima, mas é o erro silencioso número um: o relógio de uma câmera acertado durante o horário de verão, ou uma implantação cujo relógio estava simplesmente errado, entrega a você uma curva sistematicamente deslocada sem nenhum aviso. Verifique os relógios na implantação; ajuste-os para UTC ou para o horário de inverno; desative a mudança para o horário de verão.
• Um filtro de independência que come o pico. Um filtro de 30 ou 60 minutos pode remover de 74 a 93% dos registros de um herbívoro social e achatar as suas horas de maior movimento, quase sem tocar em um carnívoro raro — enviesando tanto as curvas quanto qualquer comparação entre espécies. Remova as rajadas e a ronda óbvia; pense bem antes de impor uma janela de relógio fixa, e relate o efeito dela se você a usar.
• Agrupar sem corrigir a hora solar. Borra os picos e pode fabricar sobreposição. Converta para hora solar em dados de várias estações ou de altas latitudes.
• Poucas detecções demais. Abaixo de ~100, a exatidão e a precisão caem rápido, e uma curva de aparência confiante a partir de 18 fotos é, na maior parte, ruído.
• Viés de posicionamento — o sorrateiro. Este merece o próprio parágrafo.

A armadilha do posicionamento merece que a gente se detenha porque ela engana pessoas cuidadosas. As câmeras postas em trilhas e estradas — justamente onde você as coloca para captar carnívoros ou maximizar as detecções — registram animais usando trilhas, o que não é o mesmo que animais estando ativos. Tanwar e colaboradores fizeram o experimento limpo em uma reserva de tigres na Índia, implantando câmeras em trilha e câmeras aleatórias lado a lado. As câmeras em trilha mostraram os ungulados — cervo-manchado, nilgó, javali, gazela — com “atividade predominantemente diurna e pouquíssimas capturas à noite”. As câmeras aleatórias, amostrando a paisagem em vez dos caminhos, revelaram atividade noturna substancial nas mesmas espécies; o nilgó até virou um pico noturno, com a sobreposição entre as estimativas de trilha e aleatórias tão baixa quanto Δ = 0,41. A razão é comportamental: “as trilhas são muito usadas por predadores durante a noite”, então os ungulados as evitam depois do anoitecer — um movimento antipredador que os faz parecer diurnos para uma câmera em trilha. O alerta dos autores é um que todo estudo de atividade deveria acatar: os padrões de atividade publicados a partir de levantamentos em trilha voltados a carnívoros “provavelmente estão enviesados para a atividade diurna”. A vinheta do `overlap` faz o mesmo ponto pelo outro lado — uma câmera em uma trilha mede “andar em trilhas”, então a sobreposição de duas espécies é a sobreposição no andar em trilhas delas, e “um herbívoro ramoneador e o carnívoro que o espreita provavelmente estão ambos ‘inativos’ segundo essa definição”. A correção é de projeto: câmeras aleatórias ou fora de trilha dão uma imagem de atividade mais honesta e, no mínimo, você deveria declarar que o posicionamento em trilha enviesa para o dia.

Uma última ressalva, mais sutil: tenha cuidado ao agrupar dados heterogêneos de qualquer tipo, não só de estações diferentes. Combinar locais ou períodos com atividade genuinamente distinta infla as estimativas de sobreposição, “e essa sobreposição aparente é um artefato do agrupamento”. E lembre-se de que o que você de fato mede são detecções em câmeras, que interpretam “ativo” como “movendo-se diante de um sensor” — uma janela real, mas parcial, sobre o comportamento. Interprete as interações entre espécies com cuidado; a história de advertência da vinheta é um estudo em que o cuão e o javali pareciam compartilhar o dia, sugerindo que o cuão comia javali, até que a análise de fezes mostrou que o cuão comia sobretudo cervídeos.

A maioria das análises de atividade sem valor não é derrubada pela estatística. É derrubada a montante.

Para onde isto caminha: os modelos hierárquicos

A estimativa de densidade por núcleo é o padrão da área e, para a maioria das perguntas, é a ferramenta certa. Mas vale conhecer o seu teto, porque a literatura metodológica está ativamente indo além dela. Iannarilli e colaboradores expõem sem rodeios os limites da KDE: ela agrupa dados de vários locais e por isso ignora a variabilidade entre locais, produzindo uma incerteza confiante demais; é sensível à escolha da largura de banda em amostras pequenas; não consegue incluir covariáveis nem testar hipóteses de forma rigorosa; e “considera apenas registros em que um animal foi detectado, descartando informação sobre quando a amostragem foi conduzida mas a espécie não foi registrada”. Este último é sutil, mas real — uma KDE joga fora cada hora-câmera em que nada aconteceu, embora esses zeros carreguem informação sobre quando a espécie não estava ativa.

A alternativa proposta são os modelos hierárquicos — modelos lineares mistos generalizados trigonométricos (termos de seno e cosseno com efeitos aleatórios de local, via `glmmTMB` ou `lme4`) ou GAMs de splines cúbicas cíclicas (via `mgcv`) — que dividem os dados em intervalos de tempo, usam as não detecções, levam em conta a variabilidade entre locais e permitem que você teste como a estação ou a presença de um competidor desloca a curva. Em um estudo de 100 locais em Minnesota, essa abordagem quantificou a atividade do urso-negro e do coiote ao mesmo tempo que expôs “uma heterogeneidade considerável entre locais, um aspecto que tem sido amplamente ignorado” pela KDE agrupada. Esses modelos são mais exigentes — uma regra prática comum é 10 ou mais locais antes de ajustar efeitos aleatórios — e um exagero para uma descrição de uma única espécie em um único local. Para a maioria dos leitores, a KDE junto com uma regra de independência claramente enunciada e uma correção de hora solar é hoje a escolha certa. Mas se a sua pergunta envolve covariáveis, vários locais ou testes formais de hipótese, é para cá que se deve olhar em seguida.

Perguntas frequentes