máster en Áreas protegidas, recursos naturales y biodiversidad

Máster en Áreas Protegidas, Recursos

Naturales y Biodiversidad

Facultad de Biología

Profesor: José Francisco Calvo Sendín | [email protected] | http://webs.um.es/jfcalvo

Métodos en Biología de la Conservación – Máster en Áreas Protegidas, Recursos Naturales y Biodiversidad

Tema 3. Modelos de estimación de la abundancia

Guion y bibliografía

3.1. Transectos y estaciones de censo

3.2. Fundamentos de los muestreos de distancia

3.3. Introducción al uso del programa DISTANCE

3.4. Modelos de distancia en R: Distance y unmarked

3.5. Estimas de abundancia a partir de conteos

3.6. Estimas de abundancia a partir de conteos en R: unmarked

• Conroy MJ, Carroll JP. 2009. Quantitative conservation of vertebrates. Wiley-Blackwell, Oxford.

• Kéry M, Royle AJ. 2016. Applied Hierarchical Modeling in Ecology. Volume 1. Elsevier, Amsterdam.

• Mills LS. 2013. Conservation of wildlife populations : demography, genetics, and management. 2ª ed. Wiley, Chichester, UK.



3.1. Transectos y estaciones de censo

Transectos [= taxiados, itinerarios de censo] y estaciones de censo

• Muestreo de distancia

‒ Transecto (line transect)

‒ Estación de censo (point transect)

• Conteos

‒ Unidades de muestreo rectangulares

‒ Unidades de muestreo circulares

Estimas de abundancia

No todos los individuos son detectados

OCUPACIÓN

TRANSECTOS

CAPTURAS

Todos los individuos son detectados

CENSOS




Fundamentos

• Se trata de estimar la abundancia por unidad de muestreo (densidad: D)

• A menudo se consideran intervalos de distancia

• n es el número de individuos observados

Fundamentos (transectos lineales)

• Para cada animal observado se calcula la distancia perpendicular a la línea del itinerario.

Distancia

Longitud del transecto




Fundamentos

• Asumimos que la probabilidad de observar un individuo disminuye con la distancia (detección imperfecta). Las formas matemáticas de la curva de detección (key functions) pueden ser:

0.0

1.0

0.5

Pro

bab

ilid

add

e d

etec

ció

n

Uniforme

0.0

1.0

0.5

Exponencial negativa

0.0

1.0

0.5

Pro

bab

ilid

add

e d

etec

ció

n

Distancia

Semi-normal

0.0

1.0

0.5

Distancia

Tasa de riesgo




0.0

1.0

0.5

Pro

bab

ilid

ad d

e d

etec

ció

n

Distancia

Fundamentos

Para estimar las probabilidades de detección se ajusta la distribución de las observaciones a los diferentes tipos de curvas utilizando un procedimiento que incluye combinaciones de una función clave y una expansión en serie.

• Key functions:

‒ Uniform

‒ Half normal

‒ Negative exponential

‒ Hazard rate

• Series expansion (series adjustment):

‒ Cosine

‒ Simple polynomial

‒ Hermite polynomial Histograma de distancias observadas

Función ajustada




A menudo las observaciones se

agrupan en intervalos de distancias

0.0

1.0

0.5

Pro

bab

ilid

ad d

e d

etec

ció

n

Distancia

Fundamentos

Effective Strip Width (ESW): para transectos lineales.

Effective Detection Radius (EDR) para estaciones de censo.




ESW o EDR(área bajo la

curva)Asunciones

1. Probabilidad de detección sobre la línea = 1

2. Detección en la situación inicial antes de cualquier movimiento en respuesta al observador

3. Distancias medidas con precisión

4. Detección independiente




Ejemplo:

Modelos de distancia del argos real (Argusianusargus) un ave de la familia Phaisanidae.

Características del muestreo:

144 transectos lineales de 2200 m de longitud.

Anchura: el doble de la distancia máxima observada (88.63 m).

Esfuerzo: 144 × 2200 = 316800 m

Área muestreada: 144 × 2200 × 2 × 88.63 = 56157679 m2

Área de estudio: 800 ha

Sin covariables.

Argusianus argus © Francesco VeronesiCC BY-SA 2.0, Wikimedia Commons




Panel de datos

Panel de análisis Más

parámetros

Probabilidades de detección y

GOF




Menú de análisis(botón derecho

del ratón)

Funciones Series




Distance

library(Distance)

head(grosbeak)

ds(grosbeak, key="unif", adjustment="cos", transect="point") -> md1

summary(md1)

ds(grosbeak, key="hr", adjustment="cos", transect="point") -> md2

summary(md2)

ds(grosbeak, key="hn", adjustment="cos", transect="point") -> md3

summary(md3)

summarize_ds_models(md1, md2, md3)

Blue Grosbeak © Bill BoutonCC BY-SA 2.0, Wikimedia Commons




unmarked

library(unmarked)

data(issj)

head(issj)

issjDS <- unmarkedFrameDS(y=as.matrix(issj[,1:3]),

siteCovs=data.frame(issj[,6:8]),

dist.breaks=c(0,100,200,300),

unitsIn="m", survey="point")

Island Scrub-jay © Bill BoutonCC BY-SA 2.0, Wikimedia Commons

Preparación de los datos para unmarked




unmarked

distsamp(~1 ~1, data = issjDS) -> mdu1

summary(mdu1)

distsamp(~chaparral ~1, data = issjDS) -> mdu2

summary(mdu2)

distsamp(~chaparral ~chaparral, data = issjDS) -> mdu3

summary(mdu3)

modSel(fitList(mdu1, mdu2, mdu3))

head(predict(fitList(mdu1, mdu2, mdu3), "state"))

Island Scrub-jay © Bill BoutonCC BY-SA 2.0, Wikimedia Commons

Modelo nulo Detectabilidad dependiente del

hábitat y abundancia constante

Detectabilidad y abundancia dependiente

del hábitat

Datos Estado latente

*-3-0 3

1-0-1 2

6-3-* 9

0-*-* 0

*-0-0 2

State model:

Observation model:

es la abundancia real de la especie en el sitio

es el número de individuos observados en el sitio en la visita

Fundamentos

Es este apartado estimaremos abundancia a partir de conteos sin medidas de distancia.



3.5. Estimas de abundancia a partir de conteos

Fuente: Kéry M. 2013. Introductionto N-mixture models. EURING Technical Meeting, Athens, GA.

Latente = “no observado”Se requiere replicación

* dato no

disponible

(muestreo no

realizado)



3.6. Estimas de abundancia a partir de conteos en R: unmarked

unmarked

library(unmarked)

titsPc <- unmarkedFramePCount(y = tits[,1:3],

siteCovs=data.frame(elevation=tits[,4]))

pcount(~ 1 ~ elevation, titsPc) -> mpc1

summary(mpc1)

plot(tits$elevation, predict(mpc1, type="state")[,1])

points(tits$elevation, predict(mpc1, type="state")[,3], col=2)

points(tits$elevation, predict(mpc1, type="state")[,4], col=2)

Carbonero común© Carlos González Revelles

Funciones R y datos

• DISTANCE project website:

http://distancesampling.org/

• Datos de la Práctica 3 (archivo MBC-Pr3.zip):

http://www.um.es/docencia/emc/MBC-Pr3.zip

• Archivo R (MBC.RData):http://www.um.es/docencia/emc/MBC.RData

• Documentación Distance:https://cran.r-project.org/web/packages/Distance/Distance.pdf

• Documentación unmarked:https://cran.r-project.org/web/packages/unmarked/unmarked.pdf


Más… (http://webs.um.es/jfcalvo)

Recursos

máster en Áreas protegidas, recursos naturales y biodiversidad

Documents