Дистанционная выборка
Дистанционная выборка группа тесно связанных методов оценки плотности и/или численности популяций — это широко используемая . Основные методы основаны на линейных трансектах или точечных трансектах . [ 1 ] [ 2 ] В этом методе выборки собранные данные представляют собой расстояния до объектов съемки от этих случайно расположенных линий или точек, а цель состоит в том, чтобы оценить среднюю плотность объектов в регионе. [ 3 ]
Базовая методология линейного трансекта
[ редактировать ]
Распространенным подходом к дистанционной выборке является использование линейных разрезов. Наблюдатель пересекает прямую линию (размещенную случайно или согласно некоторому запланированному распределению). Всякий раз, когда они наблюдают интересующий объект (например, животное обследуемого типа), они записывают расстояние от их текущего положения до объекта ( r ), а также угол обнаружения к линии разреза ( θ ). Расстояние от объекта до трансекта затем можно рассчитать как x = r * sin( θ ). Эти расстояния x представляют собой расстояния обнаружения, которые будут проанализированы при дальнейшем моделировании.
Объекты обнаруживаются на заранее определенном максимальном расстоянии обнаружения w . Не все объекты в пределах w будут обнаружены, но фундаментальное предположение состоит в том, что все объекты на нулевом расстоянии (т. е. на самой линии) будут обнаружены. Таким образом, ожидается, что общая вероятность обнаружения будет равна 1 на линии и будет уменьшаться с увеличением расстояния от линии. Распределение наблюдаемых расстояний используется для оценки «функции обнаружения», которая описывает вероятность обнаружения объекта на заданном расстоянии. Учитывая, что выполняются различные основные предположения, эта функция позволяет оценить среднюю вероятность P обнаружения объекта, если он находится в пределах ширины w линии. Плотность объектов затем можно оценить как D = n /( P * a ) , где n — количество обнаруженных объектов, а a — размер охватываемой области (общая длина разреза ( L ), умноженная на 2 w ).
Таким образом, моделирование того, как заметность падает с увеличением расстояния от трансекта, позволяет оценить, сколько всего объектов находится в интересующей области, исходя из количества, которые фактически наблюдались. [ 2 ]
Методика съемки точечных разрезов немного отличается. В этом случае наблюдатель остается неподвижным, съемка заканчивается не по достижении конца трансекта, а через заранее определенное время, а измеренные расстояния до наблюдателя используются непосредственно без преобразования в поперечные расстояния. Типы функций обнаружения и их установка также в некоторой степени различаются. [ 2 ]
Функция обнаружения
[ редактировать ]
Падение обнаруживаемости с увеличением расстояния от линии разреза моделируется с использованием функции обнаружения g( y ) (здесь y — расстояние от линии). Эта функция соответствует распределению дальностей обнаружения, представленному в виде функции плотности вероятности (PDF). PDF представляет собой гистограмму собранных расстояний и описывает вероятность того, что объект на расстоянии y будет обнаружен наблюдателем на центральной линии, при этом обнаружения на самой линии ( y = 0) считаются достоверными ( P = 1).
Предпочтительно, g( y ) является устойчивой функцией, которая может представлять данные с неясными или слабо определенными характеристиками распределения, как это часто бывает в полевых данных. Обычно используются несколько типов функций, в зависимости от общей формы PDF-файла данных обнаружения:
| Функция обнаружения | Форма |
|---|---|
| Униформа | 1/ дюйм |
| Полунормальный | расширять 2 /2 р 2 ) |
| Уровень опасности | 1-exp(-( y / σ ) -б ) |
| Отрицательная экспонента | эксп(- есть ) |
Здесь w — общее расстояние усечения обнаружения, а a , b и σ — параметры, специфичные для функции. Обычно считается, что полунормальные функции и функции уровня опасности с наибольшей вероятностью представляют полевые данные, собранные в хорошо контролируемых условиях. Вероятность обнаружения, увеличивающаяся или остающаяся постоянной по мере удаления от линии разреза, может указывать на проблемы со сбором данных или планированием обследования. [ 2 ]
Ковариаты
[ редактировать ]Расширения серии
[ редактировать ]Часто используемым методом улучшения соответствия функции обнаружения данным является использование разложения в ряды. Здесь функция разделена на «ключевую» часть (типа, описанного выше) и «последовательную» часть; т.е. g( y ) = key( y )[1 + series( y )]. Ряд обычно принимает форму полинома ( например, полинома Эрмита ) и предназначен для повышения гибкости формы ключевой функции, позволяя ей более точно соответствовать данным PDF. Хотя это может повысить точность оценок плотности/обилия, его использование оправдано только в том случае, если набор данных имеет достаточный размер и качество, чтобы представить надежную оценку распределения расстояний обнаружения. В противном случае существует риск переобучения данных и того, что нерепрезентативные характеристики набора данных могут исказить процесс подбора. [ 2 ] [ 4 ]
Предположения и источники предвзятости
[ редактировать ]Поскольку дистанционная выборка является сравнительно сложным методом обследования, надежность результатов модели зависит от соблюдения ряда основных допущений. Ниже перечислены наиболее фундаментальные из них. Данные, полученные в результате опросов, которые нарушают одно или несколько из этих предположений, часто, но не всегда, могут быть в некоторой степени исправлены до или во время анализа. [ 1 ] [ 2 ]
| Предположение | Нарушение | Профилактика/последующая коррекция | Пример данных |
|---|---|---|---|
| Обнаруживаются все животные на самой линии разреза (т. е. P(0) = 1). | Это часто можно предположить при наземных съемках, но может быть проблематичным при съемках с корабля. Нарушение может привести к сильному смещению оценок модели. | При съемке с двумя наблюдателями одному наблюдателю может быть поручено «охранять центральную линию».
Последующие исправления иногда возможны, но могут быть сложными. [ 1 ] Таким образом, стоит избегать любых нарушений этого предположения. |
|
| Животные случайным образом и равномерно распределены по всей обследуемой территории. | Основными источниками предвзятости являются
а) сгруппированные популяции (стаи и т. д.), но отдельные обнаружения рассматриваются как независимые б) трансекты не размещаются независимо от градиентов плотности (дороги, водотоки и т. д.) в) трансекты расположены слишком близко друг к другу |
а) регистрировать не отдельных лиц, а кластеры + размер кластера, затем включать оценку размера кластера в функцию обнаружения
б) размещать разрезы случайным образом или поперек известных градиентов плотности. в) убедитесь, что максимальная дальность обнаружения ( w ) не перекрывается между трансектами. |
|
| Животные не двигаются до обнаружения | Результирующая погрешность незначительна, если движение является случайным. Движение в ответ на действия наблюдателя (избегание/привлечение) приведет к отрицательному/положительному смещению в обнаруживаемости. | Поведение избегания является обычным явлением, и его может быть трудно предотвратить в полевых условиях. Эффективным апостериорным средством является усреднение данных путем разделения обнаружений на интервалы и использования функций обнаружения с плечом (например, уровень опасности). |  |
| Измерения (углы и расстояния) точны. | Случайные ошибки незначительны, но систематические ошибки могут привести к систематической ошибке. Это часто происходит при округлении углов или расстояний до предпочтительных («круглых») значений, что приводит к накоплению определенных значений. Особенно распространено округление углов до нуля. | Избегайте точного счисления в полевых условиях, используя дальномеры и угловые доски. Апостериорное сглаживание данных путем разделения на интервалы обнаружения эффективно устраняет незначительные ошибки. |  |
Реализации программного обеспечения
[ редактировать ]Проектная группа в Университете Сент-Эндрюс поддерживает набор пакетов для использования с R, а также отдельную программу для Windows. [ 5 ]
Ссылки
[ редактировать ]- ^ Перейти обратно: а б с Бакленд, С.Т., Андерсон, Д.Р., Бернэм, К.П. и Лааке, Дж.Л. (1993). Дистанционный отбор проб: оценка численности биологических популяций . Лондон: Чепмен и Холл. ISBN 0-412-42660-9
- ^ Перейти обратно: а б с д и ж Бакленд, Стивен Т.; Андерсон, Дэвид Р.; Бернэм, Кеннет Пол; Лааке, Джеффри Ли; Борчерс, Дэвид Луи; Томас, Леонард (2001). Введение в дистанционный отбор проб: оценка численности биологических популяций . Оксфорд: Издательство Оксфордского университета.
- ^ Эверитт, BS (2002) Кембриджский статистический словарь , 2-е издание. ЧАШКА ISBN 0-521-81099-X (запись для дистанционной выборки)
- ^ Бакленд, ST (2004). Расширенная дистанционная выборка . Издательство Оксфордского университета.
- ^ «Сайт дистанционного проекта» . Проверено 12 августа 2022 г.
Дальнейшее чтение
[ редактировать ]- Эль-Шарави (редактор) «Энциклопедия окружающей среды», Wiley-Blackwell, 2012 г. ISBN 978-0-47097-388-2 , набор из шести томов.