Design av viltkameraundersökningar: avstånd, täthet och varaktighet

Här är den obekväma sanningen som det mesta av designarbetet bakom en viltkameraundersökning kokar ner till: avstånd, täthet och varaktighet är inte tre oberoende rattar du justerar efter smak. De följer alla av ett enda beslut du fattar innan en enda kamera lämnar bilen – vad är det egentligen du försöker skatta? Artrikedom, förekomst, relativ täthet och absolut täthet kräver var sitt kameranät, var sitt antal stationer och var sin utsättningstid, och ett upplägg som är utmärkt för det ena kan vara tyst och stilla oanvändbart för det andra.

Det låter självklart. Det är det uppenbart inte. När Burton och kollegerna gick igenom 266 viltkameraundersökningar publicerade mellan 2008 och 2013, använde 40,2 % inget sannolikhetsbaserat urvalsupplägg över huvud taget – de lutade sig mot tillfällig eller riktad placering – och ytterligare 21,4 % uppgav nästan ingenting om urvalsupplägget. Färre än en av tre nämnde uttryckligen de antaganden om rumslig och tidsmässig oberoende som deras analyser vilade på. Kamerorna fungerade alldeles utmärkt. Uppläggen kunde, i många fall, inte bära de slutsatser författarna drog av dem.

Så innan vi kommer till siffrorna – och det kommer goda, konkreta siffror längre ner – måste du få in ordningsföljden under huden. Välj frågan. Låt frågan sätta avståndet i förhållande till hemområdet hos den art du siktar på. Låt avståndet och ditt precisionsmål sätta antalet stationer. Låt upptäckbarheten sätta varaktigheten. Resten är logistik. Missar du ordningsföljden räddar ingen mängd fältarbete dig.

Börja med frågan, inte kameran

Den enskilt mest användbara infallsvinkeln i litteraturen är att en kameradetektering är produkten av två processer: hur många djur som faktiskt finns där ute, och hur sannolikt det är att vart och ett av dem blir fotograferat. Varje designval är egentligen ett val om hur du hanterar den andra processen – upptäckt. Det som skiljer de analytiska metoderna åt är vad de antar, och därmed vad de kräver av ditt kameranät.

En snabb rundtur bland de fyra vanliga målen, för resten av artikeln återvänder ständigt till dem:

• Artinventering / artrikedom – ”vad lever här?” Varje art måste ha en chans över noll att upptäckas, vilket mest betyder bred rumslig täckning och randomisering, inte intensitet på ett enda ställe.
• Förekomst (occupancy) – ”hur stor andel av lokalerna använder en art?” Förekomstramverket modellerar uttryckligen ofullständig upptäckt genom upprepade besök, så det behöver tillräckligt med lokaler och tillräckligt med inventeringstillfällen per lokal för att fästa upptäcktssannolikheten.
• Relativ täthet (RAI) – detekteringar per insatsenhet, använd som ett index på täthet. Billig och överallt, men vilar på det heroiska antagandet att upptäckbarheten är konstant över det du jämför. Det är den oftast inte.
• Absolut täthet – djur per arealenhet, gullstandarden. För individuellt igenkännbara arter (tänk fläckiga kattdjur) betyder det rumslig fångst–återfångst (SCR/SECR); för omärkta arter är slumpmötesmodellen (REM) det enda reella alternativet. Dessa två metoder vill ha motsatta saker av ditt kameraavstånd, och det är den enskilt största fällan i hela fältet.

GBIF:s vägledning för datapublicering gör samma poäng från andra hållet: ”vad vill du veta om vilka artgrupper? Varje syfte för med sig sina egna nyckelegenskaper att ta hänsyn till, som kamerahöjd och -riktning, säsong, betesbruk, detekteringszonens egenskaper”. De egenskaperna är inga valfria metadata. De är upplägget.

En praktikeröversikt som är värd en nybörjares tid framställer själva placeringen som en meny – slumpmässig, stratifierad, systematisk, adaptiv och förekomstbaserad provtagning, var och en med sina styrkor. Det är en fin mental ställning. Men i det ögonblick du väljer riktiga koordinater är frågan inte längre ”vilken urvalsarketyp låter bra” – den är ”vad antar min estimator, och uppfyller det här upplägget det antagandet?”

Avstånd och oberoende: knutet till hemområdet, inte vanan

Kameraavstånd är där goda avsikter går för att dö, eftersom det ”rätta” avståndet vänder beroende på ditt mål – och litteraturen är reellt oense på vissa punkter, vilket jag flaggar längs vägen.

För artrikedom, förekomst och RAI vill du i regel ha oberoende. Tumregeln nästan alla griper efter är 1–2 km mellan stationerna. Den siffran är inte helig; den är en pragmatisk ställföreträdare för ”tillräckligt långt isär för att två kameror inte ska provta samma individer”. WWF:s vägledning till bästa praxis är rättfram med att betydelsen av strikt oberoende ”ofta överdrivs, och kan ha liten effekt på statistisk slutledning”, och påpekar att den rumsliga klumpning man skulle oroa sig för har visat sig vara svag i kameradata när någon faktiskt letat efter den. Kays och kollegerna fann att autokorrelation mellan kameror inte var något problem bortom omkring 25 m i tropisk skog – men en subtropisk snårmarksstudie fann den fortfarande vid 500 m. Så den ärliga versionen: knyt avståndet till hemområdesstorleken hos den art du siktar på, fall tillbaka på runt 1 km (och minst en hemområdesdiameter) när du saknar den informationen, och kom ihåg att du kan modellera kvarvarande beroende statistiskt i stället för att designa bort det.

WildCAM:s utsättningsguide ger den renaste vardagsversionen av avvägningen: skattar du förekomsten av grizzlybjörn ”och kamerorna placeras för nära varandra kan detekteringarna inte vara statistiskt oberoende om det finns en chans att samma individ upptäcks på närliggande kamerastationer inom en kort period”, så för vidströvande däggdjur ”kan du vilja välja stora avståndsintervall”.

För SCR/SECR-täthet vill du ha precis tvärtom – beroende är hela poängen. Dessa modeller fungerar genom att se fångstsannolikheten avta med avståndet från ett djurs aktivitetscentrum, så varje individ måste fotograferas på mer än en station. Rekommendationen: placera kamerorna inte mer än 0,8 gånger en genomsnittlig hemområdesradie från varandra, och sikta helst på en tredjedel av en hemområdesradie, vilket landar på grovt räknat 4–7 kameror inom varje hemområde. Konventionell (icke-rumslig) fångst–återfångst är ännu strängare med att inte lämna ”hål” som ett helt hemområde kunde gömt sig i – Tobler och Powell uttryckte det minnesvärt om jaguarer: ”det ska inte finnas något hål mellan kamerorna som kan rymma ett helt hemområde för en individ”.

Här blir det intressant, och här har fältet inte landat helt. En SECR-studie av svartbjörn (via WildCAM:s syntes) fann att när fångstavståndet ökades rörde sig täthetsskattningarna knappt – ”det kan vara mer värt att sprida fällorna bredare för att provta ett större område”, eftersom SECR är långt mer robust mot ett färre antal stationer än andra täthetsmetoder. Referensgenomgången av SECR når samma strategiska slutsats: ”det bästa sättet att öka precisionen ur ett studiedesignperspektiv tycks vara genom att öka antalet individer som fångas”, vilket mest naturligt uppnås genom att förstora undersökningsområdet. För SECR finns det alltså en reell spänning mellan lärobokens ”packa dem tätt”-avstånd och det praktiska fyndet ”sprid dem brett för att fånga fler individer”. Lösningen de flesta landar på: utsträckningen av ditt rutnät i förhållande till hemområdesstorleken betyder minst lika mycket som avståndet mellan fällorna – något snöleopardstudien nedan demonstrerar brutalt.

För REM är avståndet frikopplat från målarten helt och hållet, vilket är en av dess bästa egenskaper. Eftersom REM inte kräver att någon individ fotograferas två gånger är ”kameraavståndet inte bestämt av målarten”, och mer än en art kan övervakas i samma undersökning. Det REM kräver i stället är att kamerorna placeras slumpmässigt med avseende på djurens rörelse – inte på stigar, inte vid skrapor, inte någonstans valt för att blåsa upp eller dra ner mötesfrekvenser. Bryter du det ger du mötesfrekvensen en skevhet, och täthetsskattningen med den.

Kameraavstånd är där goda avsikter går för att dö, eftersom det ”rätta” avståndet vänder beroende på ditt mål.

Hur många stationer? Täthet och antal kameror

Det finns inget universellt svar, men det finns goda mål per syfte, och de är mer konkreta än ”mer är bättre”.

Artrikedom. Det mest direkta empiriska underlaget kommer från Kays et al:s undersampling av 2 225 utsättningar över 41 studieområden globalt. De fann att 25–35 kameralokaler behövdes för precisa skattningar av artrikedom, beroende på studiens skala – omkring 35 för storskaliga rutnät (≥1 km avstånd) och 25 för småskaliga (≤0,2 km) tropiska lokaler, där så få som 17–22 räckte för de minst artrika småskaliga tempererade områdena. WWF-vägledningen är ännu mer rakt på sak: för artrikedom ”verkar det osannolikt att ett anständigt urval kan uppnås med färre än 20 lokaler, och 50 lokaler kan vara ett bättre mål”, och stratifierar du behöver du 20–50 lokaler per stratum. WildCAM:s syntes upprepar detta – under 20 kameror är ”ogenomförbart för artrikedomsundersökningar, där 50 lokaler är ett bättre mål”.

Förekomst. Det är här antalet stationer blir brutalt känsligt för hur vanlig din art är. Kays et al. fann att precisionen i förekomst var ”mycket känslig för förekomstnivån, med <20 kameralokaler nödvändigt för precisa skattningar av vanliga (ψ>0,75) arter, men sannolikt mer än 150 kameralokaler nödvändigt för sällsynta (ψ<0,25) arter”. Nästan hälften av en global rovdjursanalys de hänvisar till hade en förekomst under 0,25 – just de arter du mest vill övervaka, och just de som kräver 100+ lokaler. WWF-vägledningens generella rekommendation: minst 40 provtagningslokaler för förekomst, stigande till 100+ om du lägger till kovariater eller jagar en sällsynt art. WildCAM operationaliserar det så här: 30 lokaler för arter med hög upptäckbarhet (p ≥ 0,8), 30–60 för många arter, och ”minst 100 lokaler” för sällsynta arter med låg täthet och upptäcktssannolikheter under 0,1.

Frågan om en eller flera kameror. Ett fynd som pålitligt överraskar folk: att sätta fler kameror på varje lokal kan betyda lika mycket som att lägga till lokaler. O'Connor och kollegerna körde upplägg med en, två och fyra kameror på 20 skogslokaler och fann att fyrkamerametoden upptäckte 1,25 (53 %) fler arter per lokal än en enda kamera, var det enda upplägget som fullt ut fångade det marklevande samhället, och ungefär fördubblade antalet lokaler där vitsvanshjort registrerades. Upptäcktssannolikheten för vitsvanshjorten på en enda kamera var bara 0,179. Deras rekommendation – ”minst 2 viltkameror per kameralokal, riktade mot motsatta håll” – är en billig gardering mot de falska negativ som förstör förekomst- och artrikedomsdata.

SECR-täthet. Referensgenomgången fann en median på 57,5 kamerastationer per studie och år (medel ~100, spann 12–849) över publicerat SECR-arbete. För jaguarer specifikt drog Tobler och Powell slutsatsen att ett minimum på 40–50 stationer krävs för en pålitlig undersökning, ”och ett större antal stationer vore önskvärt” – en tröskel WildCAM upprepar som ”det absoluta minimumet”. SECR:s räddning är robustheten: den är ”långt mer robust mot ett färre antal kamerastationer än andra metoder för täthetsskattning”.

REM-täthet. Simuleringsarbete antyder att ”ca 60 kameraplaceringar bör provtas för att uppnå acceptabel precision (dvs. en variationskoefficient under 0,20)”.

För att göra avvägningarna konkreta, så här fördelar några av de protokollstarka uppläggen i litteraturen faktiskt kamerorna:

Lägg märke till att ForestGEO medvetet kör kameror på en täthet 100 gånger högre än TEAM – en fälla per 2 ha mot en per 2 km² – eftersom de svarar på olika frågor över olika arealer (1 km² intensiv skogsprovtagning mot 120 km² samhällsövervakning). Ingen av dem är ”rätt”. De är anpassade till var sitt syfte.

Koordinerade undersökningar och medborgarforskningsprojekt ligger i den yttersta änden av detta spektrum: SNAPSHOT USA 2021, en nationell undersökning med många bidragsgivare, samlade 109 kameranät och 1 711 kameralokaler till 71 519 kameradygn, med insats per nät som varierade från 126 till 3 355 dygn. Lärdomen för var och en som går med i ett sådant nätverk är att konsekvens över bidragsgivare – standardiserad höjd, avstånd och varaktighet – är det som över huvud taget gör det möjligt att analysera alla dessa individuellt blygsamma nät tillsammans.

ForestGEO kör medvetet kameror på en täthet 100 gånger högre än TEAM, eftersom de svarar på olika frågor över olika arealer. Ingen av dem är ”rätt”. De är anpassade till var sitt syfte.

Varför utsträckningen på ditt rutnät kan betyda mer än dess täthet

Snöleopardstudien är varningssagan varje täthetsundersökare bör ha hängande på väggen. Samma team undersökte samma landskap på två sätt: ett kompakt nät (38 kameror, ~1 km avstånd, 253 km² utsträckning, 15 kameror/100 km²) och ett diffust ett (44 kameror, ~5 km avstånd, 2 030 km² utsträckning – nästan en tiopotens större – på bara 2 kameror/100 km²).

Skattningarna skilde sig inte bara åt – det kompakta upplägget gav en täthet på 0,12 djur/100 km² mot det diffusa uppläggets 0,534, ungefär fem gånger högre i det diffusa upplägget. Värre: det kompakta nätet framställde fullständigt fel hur kattdjuren faktiskt använde rummet, och blåste upp rörelseparametern σ̂ till 12,23 mot 3,27 i det diffusa upplägget. Lärdomen författarna drar är densamma som Tobler och Powell drog för jaguarer och referensgenomgången drog över arter: ”att provta ett litet område ungefär lika stort som ett enda hemområde är utsatt för skevheter som följer av mycket få individer i landskapet med mycket låga mötessannolikheter”. För täthetsarbete kan ett rutnät som är tätt och litet vara långt sämre än ett som är glest och stort. Täck tillräckligt med areal för att blottlägga tillräckligt med individer – det, mer än att packa kamerorna tätt samman, är det som köper dig en försvarbar skattning.

För täthetsarbete kan ett rutnät som är tätt och litet vara långt sämre än ett som är glest och stort.

Varaktighet: hur länge du ska låta varje kamera stå, och hur länge undersökningen ska pågå

Två olika klockor tickar, och folk blandar ihop dem. Den ena är hur länge en enda kamera bör stå på ett ställe. Den andra är total undersökningslängd / totalt antal kameradygn. Båda har goda empiriska hållpunkter.

Varaktighet per kamera. Kays et al:s undersampling ger den renaste rättesnöre någon har: att köra en kamera i 2 veckor var mest effektivt för att upptäcka nya arter, men 3–4 veckor behövdes för precisa skattningar av lokal upptäcktsfrekvens, ”utan observerade precisionsvinster efter 1 månad”. Deras huvudrekommendation – ”kör varje kamera i 3–5 veckor över 40–60 lokaler per nät” – är nu de facto standard för samhällsstudier. Si et al:s intensiva tvåårsstudie av en enda kinesisk yta lägger till en kompletterande regel: nya arter ackumuleras snabbt de första ~40 dagarna på en lokal, och sedan rasar takten, så de föreslår att rotera kamerorna ”var ca 40:e dag” eller efter ungefär 20 oberoende bilder.

Lokaler mot tillfällen – den återkommande domen. När kamerorna är begränsade (det är de alltid), bör du provta fler lokaler kortare tid, eller färre lokaler längre? För artrikedom och relativ täthet är svaret konsekvent över studier: sprid ut dem. Si et al. fann att, givet samma totala antal kameradygn, ”var det bättre att sätta ut kameror på fler lokaler kortare tid på varje, än att låta kamerorna stå på samma lokal” – vid 1 000 kameradygn fångade tre lokaler 80 % av arterna, medan 19 lokaler fångade 90 %. Kays et al. når samma slutsats, och WWF-vägledningen slår fast det som policy: ”provta fler lokaler en kortare period, snarare än att provta bara några få lokaler en mycket lång period”. (Förekomst är det delvisa undantaget – för en sällsynt, fläckvis art är det fortfarande bättre att flytta kamerorna och provta fler lokaler, men för en vanlig eller en mycket svårupptäckt art kan det att provta färre lokaler längre faktiskt vara mer effektivt.)

Totalt antal kameradygn. Multiplicera målen, och du får en undre gräns. WWF-vägledningens räkneexempel – 20–50 lokaler × 30 kameradygn vardera – ger 600 till 1 500 kameradygn för en artrikedoms-/mångfaldsstudie, med en generell rekommendation att ”mångfaldsstudier bör vara på minst 1 000 kameradygn”. Si et al:s rarefaktion satte minimum till 931 kameradygn för att upptäcka 90 % av de vanliga arterna på deras lokal, medan omkring 8 700 kameradygn behövdes för att upptäcka alla de 10 bofasta arterna – en skarp illustration av hur den långa svansen av sällsynta arter får insatsen att explodera. Burtons genomgång fann att den reella medianinsatsen var 2 055 kameradygn, men flaggade att nära en tredjedel (28,9 %) av studierna hade färre än 1 000 kameradygn totalt, ”vilket sannolikt är otillräckligt för att upptäcka sällsynta arter”.

För täthetsarbete stiger ribban. För relativ täthet och REM bör ett index vila på mer än 10, helst mer än 20, fångster – och ”för tätheter som är typiska för många rovdjur (och de sällsyntaste hjortdjuren) krävs minst 2 000 kameradygn för att uppnå 20 fångster”. SECR-referensgenomgången fann en median på 3 124 kameradygn per år, där 71,6 % av studierna pågick ett år eller mindre. Jaguarundersökningar går, på grund av slutenhetsantagandet, på lina: korta nog för att anta att beståndet inte har förändrats, långa nog för att samla data, där Tobler och Powell rekommenderar ett minimum på 60 dagar, ofta 90 eller till och med 120 – och uttryckligen förkastar det vanliga 30-dagarsfönstret som för oprecist.

En nykter hållpunkt på om allt detta arbete faktiskt lönar sig: över SECR-studier var medianvariationskoefficienten 30 %, och ”75,6 % av studierna rapporterade en CV på ≤40 %, men bara 21 % av studierna rapporterade en CV ≤20 %”. De flesta täthetsundersökningar är inte så precisa som författarna skulle önska. Och bara 10,5 % av dem körde någon som helst simulering före fältarbetet för att ta reda på det.

De flesta täthetsundersökningar är inte så precisa som författarna skulle önska. Och bara 10,5 % av dem körde någon som helst simulering före fältarbetet för att ta reda på det.

Upptäcktssannolikhet är den dolda variabeln bakom allt

Finns det en parameter som tyst styr avstånd, täthet och varaktighet, så är det upptäcktssannolikheten – chansen att du fotograferar en art givet att den är där. Får du den för låg förlorar modellerna inte bara precision, de bryter samman.

Tröskeln att minnas: upptäcktssannolikheter under 0,2 ”leder ofta till betydande skevheter och konvergensproblem, även i de enklaste enstillståndsmodellerna”. Och metoderna du kanske griper efter för att fånga rikare ekologi gör problemet värre – flerstillstånds förekomstmodeller ”kräver högre upptäcktssannolikheter jämfört med enstillståndsmodellerna”, och ”antalet lokaler som behövdes var väsentligt högre för flerstillståndsmodeller”. Sättet upptäckt och insats växlar på är lagbundet: ”de minsta nödvändiga upptäcktssannolikheterna sjönk i takt med att antalet inventeringar ökade, för alla modeller”. Med andra ord kan du köpa dig ur låg upptäckt med fler inventeringstillfällen – upp till en punkt.

Det är också därför sjudagarstillfället är så vanligt: Kays et al. definierade upptäcktssannolikheten som ”sannolikheten att upptäcka en förekommande art under en sjudagarsperiod på en kameralokal”, och slog samman daglig data till veckovisa fönster så att även sparsamt upptäckta arter ger användbara upptäckthistoriker. Att slå samman detekteringar till flerdagarstillfällen är en legitim, kostnadsfri spak för att lyfta upptäcktssannolikheten och förbättra modellanpassningen. Det är också att sätta ut fler kameror per lokal. Båda höjer upptäckten utan de antagandebrott som bete och stigriktning för med sig – vilket för oss till den genuint omtvistade delen av undersökningsdesign.

Placeringsstrategi och målart: den egentliga vägdelaren

Var du riktar kameran – mot en djurstig eller mot en slumpmässig punkt – är beslutet som delar fältet, eftersom det växlar skevhet mot datamängd, och olika arter sitter på olika sidor av den bytesaffären.

Beviset för att placeringen snedvrider dina data är överväldigande och konsekvent. I Virginia körde Kolowski och Forrester parvisa kameror och fann att upptäcktssannolikheten steg 11–33 % för fem arter på djurstigar mot slumpmässiga ställen, och 24,9–38,2 % för gnagare vid liggande stockar; i det mest extrema fallet loggade en ”mus”-kategori 65 fångsthändelser vid stockar mot bara en enda fångst på slumpmässiga ställen. Fångstfrekvenserna låg 1,7 till 9,67 gånger högre vid egenskapsbaserade kameror. I Italien satte Greco et al. ut 60 kameror per strategi och registrerade ett snitt på åtta arter på stignätet mot fyra utanför stig, där varg och vildkatt gav bara fem händelser var utanför stig mot 242 och 80 på stigar – och 6 gånger mer data totalt på stig. Åtta av 11 testade arter visade högre upptäckt och förekomst på stigar.

Så stigar vinner, eller hur? Inte för samhällsarbete, och här är skevheten de smugglar in: sammansättningen förskjuts. I den italienska studien utgjorde vilda hjortdjur 49 % av den relativa tätheten utanför stig, men bara 28 % på stig, medan rovdjur vände från 32 % utanför stig till 56 % på stig. Du får inte bara mer data på stigar – du får ett annorlunda format samhälle, viktat mot de arter som gillar stigar. Cusack et al:s parvisa savannexperiment i Tanzania fastställer vilka: rovdjur fångades väsentligt mer sannolikt vid stigplaceringar under torrtiden, och större arter under regntiden. Deras lugnande fynd för artrikedomsundersökningar: ”givet tillräcklig provtagningsinsats (>1 400 kameradygn) är det osannolikt att placeringsstrategin påverkar slutsatser dragna på samhällsnivå” – men under den insatsen, och för specifika trofiska grupper, gör den i högsta grad det.

Det är här två auktoritativa källor pekar i motsatta riktningar, och du måste förstå varför innan du väljer. För samhälls-, förekomst- och REM-arbete är vägledningen eftertrycklig med att randomisering är avgörande – icke-slumpmässig placering ”bryter mot en grundprincip i urvalsteorin: slumpmässigt urval av urvalsenheterna”, riskerar att missa hela habitat och arter, och ger relativ täthet en skevhet mot stiganvändare. Men för SECR-täthet av en märkbar, skygg art rekommenderar Tobler och Powell det motsatta – placera kamerorna ”på väletablerade stigar och skogsbilvägar som ofta används av jaguarer”, eftersom ”kameror som placeras slumpmässigt i landskapet har en mycket låg fångstsannolikhet för jaguarer och ger dåliga data”. Försoningen är inget kompromiss; den är frågan igen. Om din estimator behöver ett oförskjutet urval av samhället (slumpmässigt) mot tillräckligt med återfångster av en kryptisk individ för att anpassa en rumslig modell (stig), är den ”rätta” placeringen genuint olika – och blandar du stig- och utanför-stig-kameror registrerar du placeringen som en kovariat så att modellen kan justera för den.

Den djupaste lärdomen är att arter inte reagerar enhetligt på något av detta. Även lika stora, nära besläktade arter reagerar olika på samma designval, och det är därför vissa författare hävdar att övervakningsprogram bör använda en ”blandning av designstrategier” snarare än en standardiserad ansats när de bryr sig om ett mångfaldigt samhälle. (Den artikelns webbsida var bot-blockerad när källfilen fångades, så detta återspeglar forskningspaketets notering om den, inte text jag kunde läsa direkt.) Det praktiska greppet när du har ett nät och flera målarter: designa för den svåraste – den sällsyntaste, minst upptäckbara, mest vidströvande arten sätter ditt avstånd och din insats, och de lättare arterna följer med på lasset.

Du får inte bara mer data på stigar – du får ett annorlunda format samhälle, viktat mot de arter som gillar stigar.

Bete och lockmedel: en frestande spak med en gadd

Lockmedel höjer upptäckten, punkt slut. Frågan är vad de kostar dig. I ett test över 844 stationer i Alberta gav doftlockmedel en stark positiv effekt på rovdjur sammantaget (β = 0,75) och en mycket stark effekt på fiskmård (β = 2,23) – men ingen effekt på gråvarg (β = -0,01, p = 0,973) och ingen på bytesdjur eller hjortdjur. Det är fällan: lockmedel hjälper vissa arter, ignorerar andra, och kan därför ”införa okänd skevhet i slutsatser över flera arter”, vilket betyder att flerartsundersökningar ”måste ta hänsyn till doftlockmedlets varierande effekt”.

Den protokollstarka domen återspeglar det. WWF-vägledningen slår klart fast att ”användning av lockmedel (beten och dofter) inte rekommenderas i formella viltkameraundersökningar, om det inte finns mycket tungt vägande skäl att använda dem och det är möjligt att kontrollera för deras effekter”. TEAM använder inget bete alls. Nyansen från förekomstsimuleringssidan: bete och stigriktning används visserligen mycket för att skjuta upptäckten över den farliga 0,2-gränsen, och vinsten i modellprestanda kan vara värd skevheten – men dataaggregering och flera kameror per lokal ger samma lyft ”utan att nödvändigtvis bryta modellantaganden”, så grip efter dem först. Använder du bete, standardisera det stenhårt och registrera det som metadata, så att det kan modelleras, inte ignoreras.

Fallgroparna som faktiskt förstör datamängder

För att samla trådarna, här är var design av viltkameraundersökningar oftast går fel – och vart och ett av dessa är ett designbeslut, inte ett fältmissöde:

• Inget sannolikhetsbaserat upplägg. De 40,2 % av studierna som placerar kamerorna tillfälligt kan inte generalisera bortom exakt de ställen de provtade. Randomisera, eller stratifiera och randomisera inom strata.
• För liten insats för sällsynta arter. Under 1 000 kameradygn är sannolikt otillräckligt för att upptäcka de sällsynta arter som betyder mest, och sällsynta arter med låg förekomst kan behöva 100–150+ lokaler.
• Ett rutnät för litet för hemområdet. För täthet bär en kamerapolygon mindre än ~ett hemområde en positiv skevhet för varje metod som testats.
• Att behandla en kamera per lokal som tillräckligt. Enskilda kameror missar detekteringar som en fördubbling till två motriktade kameror skulle fångat, vilket förvränger förekomst och artrikedom.
• Att ignorera säsong. Kays et al. fann att 37–50 % av arterna varierade väsentligt i förekomst eller upptäckt över året, där tempererade arter varierade i relativ täthet med en genomsnittsfaktor på 4–5 mellan säsongerna. En ögonblicksbild av en säsong är inte året. Välj ditt fönster medvetet, och jämför aldrig över säsonger utan att ta höjd för det.
• Att förväxla din ”lokal”. Samma ord täcker en kameras detekteringszon och en rutnätscell på 10 km², och förekomst betyder olika saker på varje skala. Definiera den.
• Att inte simulera först. Bara ~10 % av SECR-studierna körde en styrkeanalys före fältarbetet – den billigaste försäkringen mot ett precisionsfattigt resultat som finns där.

Vad du än använder, dokumentera själva upplägget som strukturerade metadata – kamerahöjd och -riktning, avstånd, varaktighet, bete, detekteringszonens egenskaper – för en datamängd där upplägget inte är registrerat kan inte återanalyseras eller slås samman med någon annans. Standarder som Camtrap DP finns just för att undersökningsdesignen ska bli en del av datan, inte förlorat institutionellt minne. Vill du gräva djupare i ett enskilt beslut är WWF:s vägledning till bästa praxis fortfarande den enskilt mest kompletta referensen, och Kays et al.-artikeln är den empiriska ryggraden för ”hur många, hur länge”-siffrorna.

Vanliga frågor