Naturales y
Biodiversidad
Facultad de Biología
Profesor: José Francisco Calvo Sendín | jfcalvo@um.es | http://webs.um.es/jfcalvo
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
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
3.2. Fundamentos de los muestreos de distancia
Fundamentos
• Se trata de estimar la abundancia por unidad de muestreo (
densidad: D
)
• A menudo se consideran
intervalos de distancia
Fundamentos (transectos lineales)
• Para cada animal observado se calcula la distancia perpendicular a la línea del
itinerario.
Distancia
Longitud del
transecto
Fundamentos (transectos lineales)
• Asumimos que la probabilidad de observar un individuo disminuye con la
distancia (
detección imperfecta
). Las formas matemáticas de la curva de
detección pueden ser:
0.0 1.0 0.5
P
ro
b
ab
ili
d
ad
d
e
d
et
ec
ci
ó
n
Uniforme
0.0 1.0 0.5Binomial negativa
0.0 1.0 0.5P
ro
b
ab
ili
d
ad
d
e
d
et
ec
ci
ó
n
Distancia
Semi-normal
0.0 1.0 0.5Distancia
Tasa de riesgo
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 de series.
• Key functions:
‒ Uniform
‒ Half normal
‒ Negative exponential
‒ Hazard rate
• Series expansion (series adjustment):
‒ Cosine
‒ Simple polynomial
‒ Hermite polynomial
0.0 1.0 0.5P
ro
b
ab
ili
d
ad
d
e
d
et
ec
ci
ó
n
Distancia
Histograma de
distancias observadas
Función
ajustada
3.2. Fundamentos de los muestreos de distancia
A menudo las
observaciones se
agrupan en
intervalos de
3.3. Introducción al uso del programa DISTANCE
Ejemplo:
Modelos de distancia
del argos real (Argusianus
argus) 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 m
2
Área de estudio: 800 ha
Sin covariables.
Argusianus argus © Francesco Veronesi
CC BY-SA 2.0, Wikimedia Commons
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
3.3. Introducción al uso del programa DISTANCE
Panel de
datos
Panel de
análisis
Más
parámetros
Probabilidades
de detección y
GOF
3.3. Introducción al uso del programa DISTANCE
Menú de análisis
(botón derecho
del ratón)
3.4. Modelos de distancia en R: Distance y unmarked
Distance
library(Distance)
head(argus)
ds(argus, key="hn", adjustment="cos") -> md
summary(md)
head(grosbeak)
ds(grosbeak, key="unif", adjustment="cos", transect="point") -> md1
summary(md1)
ds(grosbeak, key="hr", adjustment="cos", transect="point") -> md2
summary(md1)
ds(grosbeak, key="hn", adjustment="cos", transect="point") -> md3
summary(md1)
Blue Grosbeak © Bill Bouton CC BY-SA 2.0, Wikimedia Commons
3.4. Modelos de distancia en R: Distance y unmarked
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")
distsamp(~1 ~1, issjDS) -> mdu1
summary(mdu1)
Island Scrub-jay © Bill Bouton CC BY-SA 2.0, Wikimedia Commons
Fundamentos
Es este apartado estimaremos abundancia a partir de conteos
sin medidas de
distancia
.
3.5. Estimas de abundancia a partir de conteos
Datos
Estado latente
0-3-0
3
1-0-1
2
6-3-4
9
0-0-0
0
0-0-0
2
State model:
Observation model:
Fuente: Kéry M. 2013. Introduction
to N-mixture models. EURING
Technical Meeting, Athens, GA.
[
https://goo.gl/wNmChC
]
N
ies la abundancia real
de la especie en el sitio i
y
i,jes el número de
individuos observado en
el sitio i en la visita j
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])
Carbonero común