Successfully reported this slideshow.
Your SlideShare is downloading. ×

Modelos de ocupação

Ad

Ocupação e Dinâmica de
      Manchas
     Ecologia de Populações

Ad

Espécies individuais,
   Ocupação de um Período
          Temporal
O problema
 A pergunta principal é qual é a
 proporção ...

Ad

Mas a detecção não é certeza
  – A probabilidade é uma esperança a priori –
    exemplo a probabilidade de obter uma cara
...

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Upcoming SlideShare
O que é a ciência
O que é a ciência
Loading in …3
×

Check these out next

1 of 36 Ad
1 of 36 Ad
Advertisement

More Related Content

Advertisement

Modelos de ocupação

  1. 1. Ocupação e Dinâmica de Manchas Ecologia de Populações
  2. 2. Espécies individuais, Ocupação de um Período Temporal O problema A pergunta principal é qual é a proporção das localidades que estão ocupadas ou qual é a probabilidade de uma localidade está ocupada.
  3. 3. Mas a detecção não é certeza – A probabilidade é uma esperança a priori – exemplo a probabilidade de obter uma cara ao lançar uma moeda – A proporção é a realização da esperança – proporção de caras em 10 lançamentos de moedas • Por que? – Ocupação  Abundancia  Taxas Vitais
  4. 4. Ocupação de manchas A probabilidade do uso da unidade de amostragem por uma ou mais espécies – Anfíbios que vivem em poços – o poço é a unidade de enfoque – Aves terrestres – manchas de habitat ou área arbitraria de terra – peixes – córrego ou largura do córrego
  5. 5. Métodos • Amostragem de localidades múltiplas várias vezes em sequencia rápida (replicação temporal) – Premissa que o uso não muda durante o tempo entre levantamentos • Amostragem de localidades múltiplas dentro de cada área (replicação espacial) – Premissa que o uso não muda durante o tempo entre levantamentos – Premissa que a probabilidade de uso é igual em cada localidade
  6. 6. Protocolo básico de amostragem Visitar as localidades e procura indivíduos ou evidencia que estão presentes Levantamentos repetidos de presença e ausência – Replicação temporal no mesmo local – Replicação espacial Depende de MLE multi-nomial para estimar a probabilidade de uso () e detecção (p) – Similar a probabilidade de encontro do exemplo multi- nomial
  7. 7. Exemplos Probabilidade do uso de poços por um anfíbio – Unidade de amostragem – poço (replicação temporal) Proporção do uso de uma área por uma espécie de aves – Unidade de amostragem – malha regular (replicação temporal) Probabilidade de ocupação territorial por um mamífero ou ave – Unidade de amostragem – território (temporal replication) Probabilidade de uso de cupinzeiros por cobras – Unidade de amostragem - cupinzeiro (replicação espacial)
  8. 8. Importantes Delineamento da pesquisa – Escopo da inferência – Elementos da estratificação e randomização Poder da inferência. – Mas forte – manipulação experimental – Fraca – delineamentos contraídos (como antes e depois) – Mais Fraca – modelagem a prior – Pior – descrição a posteriori
  9. 9. Analise Historicamente, as estimativas de ocupação se baseia na porção de locais onde a presença foi detectada. Problema – detecção não é perfeita e os animais podem estar presentes sem ser vistos ou deixar evidencias. “Ausências falsas” vicia as subestimativas de uso Viés aumenta para animais raros ou elusivos, geralmente as espécies de maior interesse Como nos métodos de capturar, marcar e recapturar a analise de ocupação explicitamente lida com o parâmetro difícil da taxa de detecção.
  10. 10. Fontes importantes de variação Variação espacial – Interesse em áreas extensas que não podem ser levantados completamente – O espaço precisa ser amostrada de forma de permitir inferências sobre toda a área Estimação da probabilidade de detecção é essencial – Ainda em locais levantados – A amostragem geralmente não detecta todos os animais presentes
  11. 11. Determinação da extensão de amplitude Usualmente pelo uso de dados de presencia e ausência, Frequentemente de forma de “ligar os pontos," – Extensão da ocorrências de forma de mapas tradicionais de amplitude – Pode permitir quebras na distribuição Fracassos da detecção subestimação da amplitude
  12. 12. Determinação da extensão de amplitude Analise de ocupação – Incorpora falhas de detecção ou “ausências falsas” – Permite examinar a distribuição probabilística e a relação com aos fatores bióticos e abióticos Priodontes maximus
  13. 13. Relação com Habitat e seleção de recursos As pesquisas sobre o uso de habitat procuram identificar os atributos chaves do habitat a quais a espécie responde Frequentemente emprega levantamentos de presencia e ausência Uso frequente da regressão logística – – Falhas de lidar com as “ausências falsas," – Ou seja, a detecção imperfeita Falhas de lidar com relações e a variância com viés de detecção (pequena demais)
  14. 14. Metapopulações (Levins 1969, 1970) Definição: Uma população composta de subpopulações localizadas conectadas pelo movimentação dos animais e têm alguma probabilidade de extinção e recolonização Equivalente a um sistema de “manchas” que estão ocupadas as vezes
  15. 15. Metapopulações – períodos temporais solitários Baseada numa fotografia da ocupação, ou uma ocupação estática Relação com a metapopulação – Baseada em funções de incidência – Fatores que influenciam a probabilidade de ocorrência (Diamond 1975) Usa a probabilidade de ocupação para estimar diretamente a dinâmica da metapopulação (Hanski 1991, 1992) A probabilidade da ocupação pode variar entre manchas em relação a fatores como tamanho, proximidade, configuração, fragmentação e outros.
  16. 16. Programas de monitoramento de escala grande Os levantamentos de ocupação (presencia e ausência) s são menos caros de estimação de abundancia ou densidade Quase tão útil como as estimativas de abundancia ou tendência As vezes usado de forma errônea como substituto da abundancia
  17. 17. Cuidado Os métodos que não estimam a taxa de detecção resultam em estimativas viciadas de ocupação e problemas associados a interpretação de parâmetros estimados.
  18. 18. Esquema básica de amostragem N locais são levantados, cada um a T ocasião distinta de levantamento A espécie e detectada ou não detectada a cada ocasião em cada local
  19. 19. Dados da historia de encontros 1 = detecção, 0 = não detecção Exemplos: – Detectada nos períodos 1, 2, 4: 1101 – Detectada nos períodos 2, 3: 0110 – Nenhuma detecção no local: 0000 Uma historia de detecção para cada local levantado
  20. 20. Ocasiões distintas de levantamento podem ser: Visitas repetidas em dias diferentes Levantamentos múltiplos na mesma visita Períodos pequenos de tempo dentro de um levantamento por exemplo, detecção/não detecção é registrada a cada minuto durante um levantamento auditório de 5 minutos “Localidades” múltiplas dentro de um local – Replicação espacial Precisa manter a probabilidade de detecção a um nível razoável (>0.10)
  21. 21. Parâmetros do Modelo i -probabilidade que o local i está ocupado pij -probabilidade de detectar a espécie no local i a tempo j, com a premissa que a espécie está presente
  22. 22. Premissas do modelo O sistema está fechado demograficamente a mudanças do status de ocupação do local durante o período de levantamento. – Ao nível da espécie • Nenhuma colonização (imigração a) • Nenhuma extinção local (emigração de) A espécie não é detectada falsamente. A detecção num local é independente da detecção em outros locais. – Os locais ficam distantes entre eles para serem independentes biologicamente.
  23. 23. Premissas do modelo Os locais estão fechados ao estado de ocupação entre as ocasiões de levantamento A espécie não é detectada falsamente. O processo de detecção é independente em cada local • Distantes suficientes para ser considerados independentes biologicamente. Nenhuma heterogeneidade na ocupação • Que não pode ser explicada por covariados Nenhuma heterogeneidade na detecção • Que não pode ser explicada por covariados
  24. 24. Um modelo probabilístico • Pr(historia de detecção 1001) = ψi  pi1 1  pi 2 1  pi 3  pi 4  • Pr(historia de detecção 0000) = ψ k  1  pkj   1  ψ k  4 j 1
  25. 25. Um modelo probabilístico A combinação dessas frases forma o modelo de probabilidade Estimativas da probabilidade máxima dos parâmetros podem ser calculadas Porém, os parâmetros não podem ser específicos ao local sem informação adicional (covariados) O bootstrap paramétrico pode ser usado para estimar o ajuste – Como com MARK mas veja MacKenzie e Bailey (2005)
  26. 26. Estadísticas de resumo • nj – número de locais nos quais a espécie foi detectada no tempo j • n. – número total de locais em qual a espécie foi detectada pelo menos uma vez • N – número total de locais levantados n. • Estimativa fraca da ocupação: N
  27. 27. A função de probabilidade  L ψ,  p j  | N , n., n j   N  n.  n. T n. n j      ψ  p j 1  p j    ψ 1  p j   1  ψ   T nj  j 1   j 1  • N – número total de locais levantados • pj – probabilidade de detecção no tempos j • n. – número total de locais nos quais a espécie foi detectada pela menos uma vez • nj – número de locais nos quais a espécie foi detectada no tempo j
  28. 28. Funciona? Pesquisa de simulação para avaliar a certeza da estimação de y (MacKenzie et al. 2002) – T = 2, 5, 10 – N = 20, 40, 60 –  = 0.5, 0.7, 0.9 – p = 0.1, 0.3, 0.5 – m = 0, 0.1, 0.2
  29. 29. Funciona? Geralmente estimativas sem viés quando Pr(detecção da espécie pelo menos uma vez) é moderada (p> 0.1) e T> 5 Estimativas de Bootstrap do erro padrão são razoáveis para amplitudes similares
  30. 30. Incluindo covarados  Somente pode ser uma função de covariados específicos ao local – Covariados de  que não mudam durante o levantamento como., tipo de habitat ou tamanho da mancha p pode ser função de covariados específicos ao local ou tempo – Covariados que podem variar a cada ocasião de amostragem e ou no local como, cobertura de nuvens ou temperatura atmosférica
  31. 31. Incluindo covarados Função logística linear: covariados do local (Xi) e ocasião de levantamento (Tij) exp( X ) exp( X ) ψi  pij  1  exp( X ) 1  exp( X )
  32. 32. Incluindo covarados Pr(ocupação) média: N  ˆ ψi ˆ ψ i 1 N
  33. 33. Exemplo: Aves no Pantanal Avistamentos por local durante cinco dias 29 locais no pantanal Outubro de 2012 Covariados: – Locais: habitat ([campo, mata] ou [área alagado, água]) – Período de amostragem: cobertura de nuvens
  34. 34. Exemplo: Aves no Pantanal Biguá (Phalacrocorax brasilianus) – Detectada em 24 de 29 locais (0.83) Tuiuiú (Jabiru mycteria) – Detectada em 10 de 29 locais (0.34)
  35. 35. Exemplo: Aves no Pantanal (Phalacrocorax brasilianus) Y Inocente = 0,83 Y média dos modelos = 0,84 Modelo DAIC wi ˆ ˆ ˆ SE    (hab)p(cob) 0.00 0.85 0.84 0.07 (.)p(cob) 1.72 0.15 0.85 0.07 (hab)p(.) 40.49 0.00 0.84 0.07 (.)p(.) 42.18 0.00 0.85 0.07
  36. 36. Exemplo: Aves no Pantanal (Jabiru mycteria) Y Inocente = 0,34 Y média dos modelos = 0,49 Modelo DAIC wi ˆ ˆ ˆ SE   (hab)p(cob) 0.00 0.36 0.50 0.13 (.)p(cob) 0.42 0.24 0.49 0.14 (hab)p(.) 0.49 0.22 0.49 0.12 (.)p(.) 0.70 0.18 0.49 0.13

×