Skatta vilttäthet från viltkameror utan att märka djuren

En kamera som utlöses tusen gånger säger dig nästan ingenting om hur många djur som lever framför den. Det kan vara tusen olika rådjur som passerar en gång var, eller en enda orädd räv som lärt sig att objektivet är ett trevligt tuggleksak. Den tvetydigheten – många rörliga individer kontra en flitig stannare – är hela problemet. Det är därför en rå ”utlösningsgrad” aldrig har varit en pålitlig valuta, och därför att täthetsskattning från viltkamera i decennier betydde tigrar, leoparder och inte mycket mer: man behövde individuellt igenkännbara pälsmönster för att köra fångst-återfångst.

De flesta arter har inga ränder. En rödräv är en rödräv. Så en familj av metoder växte fram för att göra något som låter nästan för smart – att skatta absolut täthet, djur per kvadratkilometer, utifrån omärkta djur som du inte kan skilja åt. Det här är guiden till den familjen: Random Encounter Model och dess avkomma, vad var och en faktiskt kräver av dig, och de specifika sätt var och en kommer att ljuga för dig om du inte är försiktig. Ingen av dem är magisk, och – det här är viktigt – ingen av dem är det universella svaret. Fältets ärliga tillstånd är en uppsättning avvägningar, inte en vinnare.

Om du har läst våra texter om Design av viltkameraundersökningar: avstånd, täthet och varaktighet eller Igelkott i trädgården på viltkamera: så följer och hjälper du en hotad art, så är det här det analytiska lagret som ligger under: du har placerat kamerorna, du har detekteringarna, nu vill du ha ett tal med en enhet på.

Varför ”bara räkna bilderna” aldrig skulle fungera

Två saker spräcker det naiva angreppssättet. För det första individidentitetsproblemet som redan nämnts: detekteringar avbildar inte djur på ett rent sätt. För det andra, och mer subtilt, smetar djurens rörelse ut provtagningsytan. En kamera provtar någon fläck mark, men hur stor är den fläcken? Det beror på hur långt de djur du försöker räkna typiskt strövar, vilket du oftast inte vet. Utan en definierad provtagningsyta saknar en abundansskattning nämnare – inget tydligt utrymme den syftar på.

Så fältet delar sig egentligen utifrån hur varje metod hanterar det rumsproblemet. Vissa skattar abundans vid en kamera utan någon rumslig referens alls och låter dig tilldela den en yta efteråt. Vissa bygger in ytan explicit i modellen. Och vissa – de som den här guiden lutar sig mot – skattar täthet direkt inom kamerornas samlade synfält och antar att det synfältet representerar det vidare landskapet. Det sista antagandet, ”kamerorna ser ett rättvist urval”, gör ett enormt arbete, och det är precis därför placeringsdisciplin visar sig betyda mer än något modellval.

Här är ett tal som borde rama om hur du tänker kring hela det här företaget. En genomgång av 927 viltkamerastudier publicerade mellan 2014 och 2019 fann att bara omkring 5,5 % över huvud taget använde någon abundansskattningsmetod. Den överväldigande majoriteten föll tillbaka på relativa abundansindex, occupancy eller beteende. Metoderna nedan är inte det upptrampade standardvalet. De är en frontlinje, och de belönar dem som förstår sina antaganden i stället för att behandla dem som en svart låda.

En kamera som utlöses tusen gånger säger dig nästan ingenting om hur många djur som lever framför den.

Random Encounter Model: djur som gaspartiklar

REM är grundaren, och dess centrala idé är lånad, vackert nog, från artonhundratalsfysiken. Fysiker modellerade hur ofta gasmolekyler kolliderar. Rowcliffe och kollegor insåg att djur som stöter in i en kameras detekteringszon är samma sorts process. Behandla djur som idealgaspartiklar som rör sig slumpmässigt genom rummet, så blir takten med vilken de utlöser en kamera en förutsägbar funktion av hur många de är, hur fort de rör sig och hur stor detekteringszonen är.

I praktiken innebär det att REM skalar utlösningsgrad till täthet med fyra ingredienser: genomsnittlig gruppstorlek och dygnsförflyttning (hur långt ett djur färdas på ett dygn) på biologisidan, och detekteringszonens radie och vinkel på hårdvarusidan. Få fram väntevärdesriktiga skattningar av dessa, placera dina kameror utan bias, och bilderna ger dig täthet.

Det ursprungliga fältförsöket är lärorikt just på grund av var det misslyckades. I en inhägnad engelsk viltpark med kända djurantal träffade REM tre av fyra arter inom 22 % av det verkliga antalet. Den fjärde – en liten pungdjursart kallad mara – kom ut 86 % för lågt. Skälet var inte modellen. Det var att ungefär 90 % av mararna betade på öppna gräsmattor där forskarna medvetet inte hade placerat kameror, för att slippa fotografera besökare. Lärdomen har ekat genom varje artikel sedan dess: i samma stund som du låter kameraplaceringen samvariera med var djuren är, spricker REM. Inga riktade stigar, spår, vattenhål eller åtlar för att piffa upp din fångstgrad – det bryter mot observationsmodellen och ”kan inte ge väntevärdesriktiga täthetsskattningar”.

Den andra återkommande huvudvärken är dygnsförflyttning. Att veta hur långt dina studiedjur färdas per dygn, utan bias, är genuint svårt. Allometriska genvägar (att skatta dygnsförflyttning från kroppsstorlek) ”inför stor bias och bör användas med försiktighet”. Du kan få den från GPS-halsband, men en svartbjörnsstudie gjorde felmekanismen tydlig: halsbandsfixar tagna med långa intervall underskattar hur långt ett djur faktiskt rörde sig, vilket i sin tur överskattar tätheten – och biasen biter hårdare för långsamma arter. I samma studie landade REM en trovärdig svartbjörnstäthet som inte skilde sig signifikant från en DNA-baserad rumslig fångst-återfångst-referens, men bara när hastighetsinmatningen hanterades med omsorg. Haken är nästan filosofisk: behöver du dyr halsbandsdata för att mata REM har du tappat den billiga-och-icke-invasiva fördel som gjorde REM attraktiv från början.

Tillämpa REM på en art som inte beter sig som en gaspartikel, så ser du påfrestningen direkt. Lejonhonor i Serengeti tillbringar sina dagar slumrande under enstaka träd – och enstaka träd är just var du skulle sätta en kamera. Varje REM-modell i den studien överskattade lejontätheten; att begränsa analysen till nattbilder, när lejonen faktiskt rör sig, skar ner biasen betydligt. Det är det återkommande REM-hantverket: hitta de tider och platser där dina djur rör sig slumpmässigt i förhållande till kamerorna, och luta dig på dem.

I samma stund som du låter kameraplaceringen samvariera med var djuren är, spricker Random Encounter Model.

Distance sampling för kameror (CT-DS): låna en 50-årig verktygslåda

Camera-trap distance sampling gör en annan satsning. Distance sampling – att mäta hur detektering avtar med avståndet från en observatör – är ett av de mognaste, bäst underbyggda ramverken i hela viltinventeringen, med decennier av teori, programvara och designvägledning bakom sig. Howe, Buckland och kollegor anpassade point-transect distance sampling så att en kamera spelar observatörens roll.

Mekaniken är elegant. I stället för att försöka skatta djurens hastighet registrerar CT-DS det radiella avståndet till varje djur vid förutbestämda ögonblicksbilder ett par sekunder isär, och modellerar hur detekteringen avtar med avståndet. Eftersom ögonblicken är fasta klockslag valda oberoende av var djuren råkar befinna sig, biaserar rörelse inte avståndsfördelningen. Du ärver hela distance sampling-apparaten – programmet Distance, konventionerna för modellval, alltihop – och du behöver aldrig skatta dygnsförflyttning.

Vad CT-DS kräver i gengäld är säker detektering rakt framför kameran (avstånd noll). Små djur som glider in under synfältet, halva kroppar som inte går att identifiera, eller en trög utlösning bryter alla mot det – och åtgärden är att vänstertrunkera, att kasta de nära-kameran-avstånd där detektering inte är säker. Den kan också bara räkna djur som är tillgängliga att ses: en art som tillbringar halva tiden under jord eller i trädkronan läses som halva sin sanna täthet om du inte korrigerar för den otillgängliga tiden.

CT-DS lyser i stor skala och över många arter på en gång. I en inventering av Salonga nationalpark i Demokratiska republiken Kongo – 160 kameror utspridda över 17 000 kvadratkilometer – producerade en enda CT-DS-utplacering täthetsskattningar för 14 arter samtidigt, från en 200-gramsmurmeldjursliknande springmus till skogselefanter, inklusive de allra första tätheterna för kongopåfågel och jättemarkfjällsdjur. Den fleartsräckvidden är något REST och TIFC har svårt att matcha.

Men Salonga blottlade också CT-DS:s otäckaste felmekanism: djur som reagerar på kameran. Skogselefanter fann kamerorna fascinerande och dröjde kvar framför dem, luktade och undersökte. Att inkludera de reaktiva observationerna blåste upp elefanttätheten med upp till två storleksordningar. Bonoboer gjorde tvärtom – höll sig vaksamt undan – vilket blåste upp deras täthet med omkring 15 %. De rekommenderade försvaren är att placera ut kamerorna en månad i förväg så att djuren vänjer sig, eller att föredra en metod mindre känslig för reaktivitet för de värsta bovarna.

Det finns också en tystare CT-DS-fälla värd att känna till, eftersom den är lätt att missa och konsekvenserna stora. CT-DS designades för video. Kör du den på stillbilder blir kameran blind under sin återhämtningstid och under perioder då ett stillastående djur inte lyckas återutlösa den. Misslyckas du med att dra bort de döda intervallen från din inventeringsansträngning kan du underskatta tätheten med upp till 96 % – för du har krediterat kameran med provtagningstid den tillbringade sovande. Det genomsnittliga döda intervallet i en europeisk studie låg på 8 till 15 sekunder beroende på art, vilket summerar fort.

REST: byt hastighet mot vistelsetid

The Random Encounter and Staying Time-modellen är REM:s smarta japanska kusin. Den behåller REM:s mötesslogik men byter ut den parameter alla hatar – dygnsförflyttning – mot en du kan läsa rakt av filmen: vistelsetid, hur länge ett djur dröjer kvar i en liten, fördefinierad fokuszon där du är säker på att detekteringen är säker. Eftersom vistelsetid är omvänt proportionell mot hastighet bär den samma information utan att du någonsin behöver halsbandsmärka något.

REST har en egenskap värd att stanna vid: i simuleringar förblev den väntevärdesriktig även när enskilda djur rörde sig i olika hastigheter, och även när de färdades i par. Den robustheten är verklig och värdefull. Men REST kommer med ett ökänt explicit synderegister – författarna räknar rakt upp sju antaganden. Två av dem orsakar mest besvär i fält. För det första, om djur inte är aktiva synkront – vissa sovande medan andra födosöker – underskattar REST tätheten. För det andra ger ett djur som lägger sig och vilar inne i fokuszonen en orimligt lång vistelsetid som drar upp medelvärdet och överskattar tätheten; åtgärden är att kasta de avvikarna och korrigera din ansträngning med den andel av dygnet djuren faktiskt är aktiva.

Den praktiska uppställningen är pilligare än REM:s. Du definierar en fokusyta – en liksidig triangel fungerar bäst – vanligen kring 1,9 meter på varje sida, centrerad i synfältet, och du verifierar att detekteringen inuti den verkligen är säker. Du kör kameran med ingen fördröjning mellan utlösningar (en fördröjning blåser upp din ansträngningsberäkning och biaserar tätheten nedåt), med snabba sensorer och rikligt batteri, helst med inspelning av video längre än 15 sekunder. Sedan kommer arbetet: att lägga en referensbild av den tomma fokuszonen över varje djurklipp för att mäta exakt hur länge det var inuti. Författarna till handboken är uppfriskande raka med att den mätningen är ”arbetsintensiv och i sin linda”.

Utdelningen, i det enda direktförsök som testade alla de stora metoderna tillsammans, var den bästa precisionen och den lägsta mänskliga arbetsinsatsen av de tre. Haken är baksidan av den effektiviteten: eftersom REST bara använder djur som korsar den lilla fokustriangeln, får den ont om data för arter med låg täthet – just de situationer där du mest vill ha ett tal.

TIFC: kameran som en provruta

Time-in-front-of-camera tar idén med vistelsetid till sin logiska ytterlighet och gör den utan tvekan till den mest praktikvänliga av alla. Glöm att separera möten från vistelsetider. Lägg bara ihop den totala tid något djur av din målart tillbringade i synfältet under hela utplaceringen, dela med den provtagna ytan och den totala drifttiden, och du har täthet.

Skälet till att detta fungerar är genuint tillfredsställande. Kumulativ tid i synfält är invariant mot hur fort djuren rör sig och hur stora deras hemområden är. Fördubbla ett djurs hastighet så tillbringar det halva tiden i bild vid varje passage – men det passerar dubbelt så ofta. Fördubbla hemområdets storlek så besöker det varje given kamera hälften så ofta – men det finns dubbelt så många djur vars områden överlappar den kameran. Bokföringen tar ut sig själv och lämnar dig med ett mått som behöver ingen rörelsehastighet, ingen gruppstorlek och ingen hemområdesinmatning alls. Av den anledningen har den placerats ut i enorm skala: nästan 3 000 kameror över Alberta under sex år.

TIFC:s antaganden är samma familj som de övrigas – representativ placering, ingen kamerainducerad beteendeförändring, pålitlig detektering nära kameran – men dess signaturen svaghet är den som alla vistelsetidsmetoder delar, och TIFC känner den akut eftersom den räknar varje sekund: djur som dröjer kvar blåser upp skattningen. En färsk hjortdjursstudie stavade ut exakt hur detta spelar ut sig över arter, och det är litteraturens tydligaste varningstecken. Jämfört med flyginventeringar träffade TIFC rätt på älg (ensamlevande, dröjer inte kvar). Den kom ut 19 % lågt för bison, eftersom kamerorna underprovtog de öppna gräsmarker bison föredrar. Och den gick häpnadsväckande 116 % högt för wapiti, eftersom kamerorna satt på viltstigar (där wapiti samlas) och wapiti gång på gång stannade för att undersöka objektivet – bägge blåste upp vistelsetiden. Korrektionsfaktorer hjälpte, men författarna varnar för att de faktorerna kan behöva justeras om för varje landskap. Slutsatsen är inte ”TIFC är dålig”. Det är att samma metod kan vara väntevärdesriktig, biaserad lågt och biaserad högt för tre arter i samma datamängd, helt och hållet på grund av placering och beteende.

Samma metod var väntevärdesriktig för älg, biaserad lågt för bison och biaserad högt för wapiti – i en enda datamängd, helt på grund av var kamerorna satt och hur djuren betedde sig.

Time-to-event och space-to-event: räkna klockan och luckorna

Den nyaste grenen kom från biologer som tänkte som överlevnadsanalytiker. Om en kamera registrerar händelser kontinuerligt, så bär tiden tills det första djuret dyker upp information om abundans. Det är time-to-event-modellen (TTE). Problemet är att TTE, likt REM, beror på en oberoende rörelseskattning och därför är känslig för rörelsehastighet – i simuleringar tenderade den att underskatta, illa så för långsamma populationer.

Så samma team gjorde något fyndigt: de kollapsade varje provtagningstillfälle till ett enda ögonblick. Tittar du bara på ett fruset ögonblick kan djurens rörelse under intervallet inte biasera dig. Det är space-to-event-modellen (STE), och dess skattningar är helt okänsliga för rörelsehastighet. STE använder tidsutlösta bilder – bilder tagna enligt schema snarare än via rörelseutlösning – vilket bär en andra, underskattad fördel: den kringgår hela problemet med varierande rörelsesensordetektering, eftersom en schemalagd bild antingen innehåller ett djur eller inte. En ytterligare förenkling, instantaneous sampling (IS), räknar bara djuren i varje tidsutlöst bild som ett fast-ytigt urval.

I ett fältförsök på övervintrande wapiti gav STE den bästa precisionen av de nya metoderna utan att behöva någon rörelseinmatning, och landade nära en flyginventerings summa. Metoderna löser också tyst arbetsproblem: TTE låter en granskare sluta skanna bilder efter den första detekteringen, och STE låter dig skatta abundans utan att räkna hur många djur som finns i varje bild – en verklig besparing, eftersom räkning per bild är långsamt och felbenäget. Avvägningen är att tidsutlösta bilder passar vanliga arter; för verkligt sällsynta djur kommer schemalagda bilder mestadels att vara tomma. Och alla tre antar att djuren är fördelade ungefär slumpmässigt (Poisson) kring varje kamera, vilket sätts på prov för starkt sociala eller territoriella arter.

Frys urvalet till ett enda ögonblick så kan djurets hastighet inte längre lura dig – just det knepet är vad som skiljer space-to-event från allt som behöver veta hur fort djuren rör sig.

Så vilken ska du använda?

Här är det litteraturen gör skäl för sig, för till slut körde någon metoderna sida vid sida i stället för att förespråka en enda. Palencia och kollegor satte REM, REST och CT-DS på samma sex populationer av kronhjort, vildsvin och rödräv. Det betryggande resultatet: i fem av sex populationer gav de tre metoderna ingen statistiskt signifikant skillnad i täthet, och liknande precision. De är inte vilt oeniga.

Men nyansen ligger i skillnaderna. REM tenderade att läsa högre än REST och CT-DS (som, författarna visar, är matematiskt ekvivalenta). Vad gäller precision och ansträngning kom REST ut före – lägst variationskoefficient, minst bildbehandlingstid – medan CT-DS krävde mest analys. Det gav fältets mest citerbara tumregel:

Behandla tabellen som en startpunkt, inte en dom. Den djupare vägledningen från översiktslitteraturen är att välja utifrån tre saker: din fokusarts naturhistoria (dröjer den kvar? färdas i flock? klättrar i träd?), en noggrant definierad provtagningsram, och vad datainsamling faktiskt är genomförbart för dig. En metod som är teoretiskt bäst men som du inte kan utföra rent förlorar mot en enklare du klarar av.

Och håll valideringsstudierna i sikte, för de tempererar optimismen. När forskare testade REM, CT-DS och TTE mot rumslig fångst-återfångst-sanning över tio neotropiska arter var de omärkta metoderna exakta men mindre precisa för måttligt vanliga arter som ozelot – och misslyckades för jaguar, den sällsynta arten, där de inte kunde matcha SECR. Den raka slutsatsen: omärkta modeller är lovande för rikliga till relativt sällsynta djur, men för verkligt sällsynta vill du fortfarande ha märken. Styrka spelar också roll: att nå den precision som behövs för att upptäcka en verklig populationsnedgång kräver ofta 100-plus kameraplatser, och för sällsynta arter räcker kanske inte ens det.

Kontrasten: rumslig fångst-återfångst, när du kan skilja individer åt

Det är värt att vara tydlig med vad dessa omärkta metoder arbetar runt. När djur är individuellt identifierbara – naturliga pälsmönster, ärr eller påsatta märken – är rumslig fångst-återfångst (SECR) standarden, och den gör något de omärkta metoderna inte kan: den skattar den effektivt provtagna ytan statistiskt, utifrån mönstret av var samma individ återupptäcks. Det är exakt det nämnarproblem som den omärkta familjen måste anta sig förbi.

Skälet att SECR inte är svaret för de flesta projekt är helt enkelt att de flesta arter saknar användbara märken. En genomgång av SECR-studier med viltkamera fann en tung slagsida mot stora kattdjur – ränder-och-fläckar-arterna – eftersom det är där individ-ID är genomförbart, och för många av de arterna ger SECR de enda baslinjeskattningar av täthet som finns. De två världarna möts i jämförelsestudierna, och jämförelserna är uppmuntrande: kör märkt SECR och omärkt CT-DS och REM på samma mårdpopulation och alla landar i samma härad (punktskattningar från 0,49 till 1,20 djur per km²), med skillnaden främst i precision och kostnad. CT-DS var faktiskt den mest precisa metoden i just den tävlingen. De omärkta metoderna är inte en dålig ersättning för SECR – de är ett legitimt verktyg som helt enkelt byter viss precision mot att slippa känna igen någon.

Maskineriet under varje metod

Lägg märke till vad som dök upp om och om igen i varje avsnitt ovan: detekteringszonen och aktivitetsnivån. Dessa två bitar rörmokeri matar nästan alla metoderna, och att få dem fel korrumperar tyst allt nedströms.

Det effektiva detekteringsavståndet – hur långt kameran pålitligt känner av djur – är ingen fast egenskap hos kameran. Det skalar starkt med kroppsmassa (större, varmare djur utlöser sensorn längre bort) och det är kortare i tät vegetation. I en tropisk skogsdatamängd varierade det effektiva detekteringsavståndet nästan trefalt mellan arter, och låg omkring 70 % längre i torrsäsongen än i regnsäsongen. De praktiska konsekvenserna är skarpa. Du kan inte återanvända en arts detekteringsavstånd för en annan – att använda en tamkatts detekteringszon för en mård underskattar mårdens täthet, eftersom mården känns av på ett annat avstånd. Och en synbar skillnad i habitatanvändning mellan två platser kan visa sig vara inget annat än en detekteringsavståndsskillnad orsakad av vegetationen. Åtgärden är billig: plantera avståndsmarkörer i synfältet (minst fem intervall) och anpassa en detekteringsfunktion till vilken markör varje djur passerar. Placera alltid ut kameror med de markörerna så att du kan korrigera fångstgraderna efteråt.

Aktivitetsnivån – den andel av dygnet djuren är aktiva – är den andra delade korrigeringen, använd av REST, CT-DS och TIFC för att sätta detekteringar på rätt tidsbas. Den vilar på ett antagande som förtjänar ett skeptiskt öga: att alla individer är aktiva vid den dagliga toppen. När det håller fungerar metoden; när det inte gör det överskattar du aktiviteten och därmed underskattar du tätheten. Och det håller inte alltid – stora rovdjur vars jaktcykler sträcker sig över flera dygn, eller smådäggdjur i djupvinterns korta dagar på hög latitud, kan bryta mot det. Det är den enda tråd som binder samman felmekanismerna: en fleartsstudie sa det rakt ut, att REM, REST och CT-DS alla explicit inkluderar ett aktivitetsantagande, medan time-to-event-metoderna bär ett odeklarerat – att djur alltid är tillgängliga. En parkamerakontroll i det arbetet fann att 9 % av djuren i en förment säker detekteringszon missades helt, vilket borde ödmjuka vem som helsts tro på ”perfekt detektering på avstånd noll”.

Att få detekteringszonen eller aktivitetsnivån fel korrumperar tyst varje täthetsskattning byggd ovanpå den.

Att göra det på riktigt: fält- och programvarupraktikaliteter

Om du inte tar med dig något annat från jämförelse- och valideringsarbetet, ta dessa två icke förhandlingsbara, som varje metod delar:

1. Placera kamerorna slumpmässigt i förhållande till djurens rörelse. Använd en slumpmässig eller systematisk-med-slumpmässig-startpunkt-design. Att putta en kamera några meter för att nå ett träd är okej; att medvetet välja en stig, en skrapa, ett gyttjebad eller åtel är dödligt för en väntevärdesriktig skattning.
2. Använd högpresterande kameror. Snabb utlösning (klart under en sekund), pålitlig återhämtning, och antingen video eller snabba bildserier. Långsamma eller ostadiga utlösningar undergräver antagandet om ”säker detektering” som ligger i hjärtat av REM, REST, CT-DS och TTE.

Vad gäller ansträngning är den råa aritmetiken nykter men nyttig. Mötesfrekvensen mellan kameror dominerar variansen, så fler kameraplatser slår längre utplaceringar på färre platser. Konkreta CT-DS-mål från en stor ansträngning-mot-precision-studie: en variationskoefficient kring 20 % behöver ungefär 100 provtagningsdygn på 50 platser, eller 100 till 150 platser för en kortare inventering; att pressa till en CV på 10 % kan kräva mer än 200 platser. Planera därefter, och var ärlig med dig själv innan du börjar om huruvida din målart över huvud taget är vanlig nog att nå användbar precision.

På programvarusidan är de goda nyheterna att verktygen är öppna och förbättras. Täthetsskattning i R är väl stödd – det finns en underhållen genomgång som täcker REM, time-to-event och space-to-event, N-mixture och omärkt rumslig fångst-återfångst – och aktivitetskorrigeringen bor i paketet `activity`, medan distance sampling har programmet Distance bakom sig. Samma R-fokuserade kapitel är uppfriskande uppriktigt med att skatta täthet från kameradata ”inte är lätt, ofta inte är precist” och vanligen innebär verkligt arbete – en sund attityd att ha med sig.

Frontlinjen är automatisering, och den anländer fort. Ett halvautomatiserat CT-DS-arbetsflöde använder nu en djupinlärnings-djupmodell plus en automatisk djurdetektor för att mäta observationsavstånd direkt från bilderna, kalibrerad med bara två referensbilder per kamera. Det producerade täthetsskattningar statistiskt oskiljbara från mödosam manuell mätning samtidigt som det skar databehandlingstiden mer än trettonfaldigt – och kollapsade veckor av avståndsannotering till ett par dagar. Fleartsmetoder utvecklas också: en Bayesiansk utvidgning av REM skattar nu täthet för ett helt samhälle på en gång, inklusive de allra sällsyntaste arterna, med bara information hämtad ur bilderna själva.

Slutsats

Det finns ingen universell metod, och vem som än säger dig annat säljer något. REM, CT-DS, REST, TIFC och time-to-event-familjen är alla legitima, alla fackgranskade, och alla kapabla att producera täthetsskattningar som håller mot oberoende inventeringar – när deras antaganden respekteras. Välj utifrån din arts beteende och din datavardag, inte utifrån vilken metod som har den vackraste härledningen. Respektera slumpmässig placering framför allt. Mät din detekteringszon. Kontrollera aktivitetsantagandet. Och dimensionera din inventering för den precision du faktiskt behöver, väl medveten om att för sällsynta arter kan svaret ändå vara ”dit kommer du inte utan märken”. Använda med den klarögda ödmjukheten förvandlar kameror en hög oattribuerbara foton till ett av de kraftfullaste, minst invasiva täthetsverktyg viltvetenskapen har.

Vanliga frågor