Vzorkování vzdálenosti - Distance sampling
Vzorkování vzdálenosti je široce používanou skupinou úzce souvisejících metod pro odhad hustota a / nebo hojnost z populace. Hlavní metody jsou založeny na řádku transekty nebo bodové transekty.[1][2] V této metodě vzorkování jsou shromážděnými daty vzdálenosti objektů, které jsou zkoumány z těchto náhodně umístěných čar nebo bodů, a cílem je odhadnout průměrnou hustotu objektů v oblasti.[3]
Základní linie transektivní metodologie
Běžným přístupem ke vzorkování vzdálenosti je použití liniových transektů. Pozorovatel prochází přímkou (umístěnou náhodně nebo po nějaké plánované distribuci). Kdykoli pozorují předmět zájmu (např. Zvíře zkoumaného typu), zaznamenají vzdálenost od jejich aktuální polohy k objektu (r), stejně jako úhel detekce k transektivní linii (θ). Vzdálenost objektu od transektu pak může být vypočítána jako X = r * hřích (θ). Tyto vzdálenosti X jsou detekční vzdálenosti, které budou analyzovány při dalším modelování.
Objekty jsou detekovány ven na předem určenou maximální detekční vzdálenost w. Ne všechny objekty uvnitř w bude detekován, ale základním předpokladem je, že jsou detekovány všechny objekty v nulové vzdálenosti (tj. na samotné lince). Očekává se tedy, že celková pravděpodobnost detekce bude na lince 1 a bude se s rostoucí vzdáleností od linky snižovat. Distribuce pozorovaných vzdáleností se používá k odhadu „detekční funkce“, která popisuje pravděpodobnost detekce objektu v dané vzdálenosti. Vzhledem k tomu, že platí různé základní předpoklady, umožňuje tato funkce odhad průměrné pravděpodobnosti P detekce daného objektu, který je v šířce w linky. Hustotu objektu lze poté odhadnout na D = n / (P*A), kde n je počet detekovaných objektů a A je velikost pokryté oblasti (celková délka transektu (L) vynásobený 2w).
Stručně řečeno, modelování toho, jak detekovatelnost klesá s rostoucí vzdáleností od transektu, umožňuje odhadnout, kolik objektů je celkem v oblasti zájmu, na základě počtu, které byly skutečně pozorovány.[2]
Metodika průzkumu pro bodové transekty se mírně liší. V tomto případě zůstává pozorovatel nehybný, průzkum nekončí, když je dosaženo konce transektu, ale po předem stanoveném čase, a měřené vzdálenosti k pozorovateli jsou použity přímo bez převodu na příčné vzdálenosti. Typy detekčních funkcí a přizpůsobení se také do určité míry liší.[2]
Funkce detekce
Pokles detekovatelnosti s rostoucí vzdáleností od transektivní linie je modelován pomocí a detekční funkce G(y) (tady y je vzdálenost od čáry). Tato funkce je přizpůsobena distribuci detekčních rozsahů reprezentovaných jako a funkce hustoty pravděpodobnosti (PDF). PDF je a histogram shromážděných vzdáleností a popisuje pravděpodobnost, že objekt ve vzdálenosti y bude detekován pozorovatelem na středové linii, s detekcemi na samotné linii (y = 0) předpokládá se jisté (P = 1).
Přednostně g (y) je robustní funkce, která může představovat data s nejasnými nebo slabě definovanými distribučními charakteristikami, jak je tomu často v polních datech. Obvykle se používá několik typů funkcí, v závislosti na obecném tvaru PDF detekčních dat:
| Funkce detekce | Formulář |
|---|---|
| Jednotný | 1/w |
| Napůl normální | exp (-y2/2σ2) |
| Míra rizika | 1 exp (- (y/σ)-b) |
| Negativní exponenciál | exp (-ano) |
Tady w je celková zkrácená vzdálenost detekce a A, b a σ jsou parametry specifické pro funkci. Polonormální funkce a funkce míry rizika jsou obecně považovány za nejpravděpodobnější údaje z terénu, které byly shromážděny za dobře kontrolovaných podmínek. Pravděpodobnost detekce, která se zvyšuje nebo zůstává konstantní se vzdáleností od transektivní čáry, může naznačovat problémy se sběrem dat nebo návrhem průzkumu.[2]
Covariates
Rozšíření série
Často používanou metodou pro zlepšení přizpůsobení detekční funkce datům je použití sériových rozšíření. Zde je funkce rozdělena na „klíčovou“ část (typu popsaného výše) a „sériovou“ část; tj. g (y) = klíč (y) Série 1 + (y)]. Série má obecně podobu a polynomiální (např Poustevnický polynom ) a je určen k přidání flexibility do formy klíčové funkce, která jí umožní lépe se přizpůsobit datovému PDF. I když to může zlepšit přesnost odhadů hustoty / četnosti, jeho použití je obhájitelné pouze v případě, že soubor dat má dostatečnou velikost a kvalitu, aby představoval spolehlivý odhad rozložení detekční vzdálenosti. Jinak existuje riziko nadměrné vybavení data a umožnění nereprezentativních charakteristik souboru dat ovlivnit proces přizpůsobení.[2][4]
Předpoklady a zdroje zkreslení
Protože vzorkování vzdálenosti je poměrně složitá metoda průzkumu, spolehlivost výsledků modelu závisí na splnění řady základních předpokladů. Nejzákladnější jsou uvedeny níže. Údaje odvozené z průzkumů, které porušují jeden nebo více těchto předpokladů, lze často, ale ne vždy, do určité míry před nebo během analýzy opravit.[1][2]
| Předpoklad | Porušení | Prevence / post-hoc korekce | Příklad dat |
|---|---|---|---|
| Všechna zvířata na samotné transektivní linii jsou detekována (tj. P (0) = 1) | To lze často předpokládat při pozemních průzkumech, ale může to být problematické při průzkumech na lodích. Porušení může mít za následek silné zkreslení odhadů modelu | V duálních pozorovacích průzkumech může mít jeden pozorovatel za úkol „střežit středovou čáru“. Post-hoc opravy jsou někdy možné, ale mohou být složité.[1] Je tedy vhodné se vyhnout jakémukoli porušení tohoto předpokladu | |
| Zvířata jsou náhodně a rovnoměrně rozložena po celé zkoumané oblasti | Hlavní zdroje zkreslení jsou A) seskupené populace (hejna atd.), ale jednotlivé detekce jsou považovány za nezávislé b) transekty nejsou umisťovány nezávisle na gradienty hustoty (silnice, vodní toky atd.) c) transekty jsou příliš blízko u sebe | a) nezaznamenávejte jednotlivce, ale klastry + velikost klastru, poté do detekční funkce zahrňte odhad velikosti klastru b) umístit transekty buď náhodně, nebo přes známé gradienty hustoty c) ujistěte se, že maximální dosah detekce (w) se nepřekrývá mezi transekty | |
| Zvířata se před detekcí nepohybují | Pokud je pohyb náhodný, je výsledné zkreslení zanedbatelné. Pohyb v reakci na pozorovatele (vyhýbání / přitahování) způsobí negativní / pozitivní zkreslení detekovatelnosti | Vyhýbání se chování je běžné a v terénu může být obtížné mu zabránit. Účinným post-hoc prostředkem je zprůměrování dat rozdělením detekcí na intervaly a použitím detekčních funkcí s ramenem (např. Míra rizika) |  Indikace chování vyhýbání se v datech - detekce se zpočátku spíše zvyšují než snižují s přidanou vzdáleností k transektivní linii |
| Měření (úhly a vzdálenosti) jsou přesná | Náhodné chyby jsou zanedbatelné, ale systematické chyby mohou způsobit zkreslení. To se často stává při zaokrouhlování úhlů nebo vzdáleností na preferované („zaokrouhlování“) hodnoty, což má za následek hromadění na určitých hodnotách. Obzvláště časté je zaokrouhlování úhlů na nulu | Vyhýbat se mrtvé počítání v poli pomocí dálkoměry a rohové desky. Post-hoc vyhlazení dat rozdělením do detekčních intervalů je účinné při řešení menších předsudků |  Indikace zaokrouhlování úhlu na data - v prvním datovém intervalu je detekce více, než se očekávalo |
Softwarové implementace
Reference
- ^ A b C Buckland, S. T., Anderson, D. R., Burnham, K. P. a Laake, J. L. (1993). Vzorkování na dálku: Odhad množství biologických populací. London: Chapman and Hall. ISBN 0-412-42660-9
- ^ A b C d E F Buckland, Stephen T .; Anderson, David R .; Burnham, Kenneth Paul; Laake, Jeffrey Lee; Borchers, David Louis; Thomas, Leonard (2001). Úvod do vzorkování na dálku: odhad množství biologických populací. Oxford: Oxford University Press.
- ^ Everitt, B. S. (2002) Statistický slovník Cambridge, 2. vydání. POHÁR ISBN 0-521-81099-X (položka pro vzorkování vzdálenosti)
- ^ Buckland, S. T. (2004). Pokročilé vzorkování vzdálenosti. Oxford University Press.
Další čtení
- El-Shaarawi (ed) 'Encyclopedia of Environmetrics', Wiley-Blackwell, 2012 ISBN 978-0-47097-388-2, sada šesti svazků.