Полное руководство: модель SECR для оценки плотности грызунов

Оценка плотности грызунов по станциям, сессиям и участкам с использованием пакета secr в R

Для оценки плотности грызунов по станциям, сессиям и участкам с использованием пакета secr в R, вам необходимо структурировать ваши данные как объект истории отлова с несколькими сессиями и указать модель, включающую параметры плотности, специфичные для сессий, при этом учитывая вероятность обнаружения во всех сессиях. Пакет secr специально разработан для моделирования пространственно-явного отлова-перелова (SECR) и может обрабатывать несколько сессий с общей информацией об обнаружении.

Содержание

• Требования к структуре данных
• Спецификация модели для плотности, специфичной для сессии
• Учет эффектов станций и участков
• Обработка разреженных или нулевых данных об отлове
• Практические шаги реализации
• Валидация и интерпретация модели
• Дополнительные соображения

Требования к структуре данных

Перед спецификацией модели вам необходимо правильно структурировать ваши данные как объект capthist с несколькими сессиями в secr. Исходя из вашего дизайна с 12 участками, 15 станциями на участке и 3 ловушками на станции, вам потребуется:

1. Данные об отлове: Отформатируйте историю отлова с колонками для сессии, участка, станции, ловушки и случаев отлова
2. Координаты расположения ловушек: X,Y координаты для каждого места расположения ловушки
3. Маска: Сетка, покрывающая вашу исследуемую область для оценки плотности

Пакет secr требует, чтобы ваши данные были организованы так, чтобы каждое обнаружение записывалось с его пространственным расположением. Для данных с несколькими сессиями вы можете использовать функцию DENSITY для импорта ваших данных, которая автоматически обрабатывает несколько сессий с разным расположением ловушек.

# Пример структуры данных
library(secr)
# Импорт данных об отлове с несколькими сессиями
mydata <- DENSITY(filename = "mycapturedata.txt", 
                  type = "multi", 
                  traps = "mytraplayout.txt",
                  noccasions = c(5, 5, 5))  # 5 случаев отловов на сессию

Спецификация модели для плотности, специфичной для сессии

Для оценки плотности по сессиям с использованием информации из всех сессий, вам необходимо указать модель с несколькими сессиями с параметрами плотности, специфичными для сессии. Ключевым является использование аргумента model в secr.fit с соответствующим синтаксисом формулы.

# Базовая модель с несколькими сессиями и плотностью, специфичной для сессии
model1 <- secr.fit(mydata, 
                   model = list(D ~ session, g0 ~ 1, sigma ~ 1),
                   details = list(autoini = 1))

Эта модель указывает:

• D ~ session: Плотность варьируется по сессиям (оценивает отдельную плотность для каждой сессии)
• g0 ~ 1: Базовая вероятность обнаружения постоянна во всех сессиях
• sigma ~ 1: Параметр масштаба обнаружения постоянен во всех сессиях

autoini = 1 в деталях указывает, что начальные значения должны быть вычислены из сессии 1, что особенно полезно, когда некоторые сессии не имеют отловов.

Учет эффектов станций и участков

Для оценки плотности по станциям внутри участков вам необходимо включить эти факторы в вашу модель плотности. Вы можете использовать аргумент covariates для включения информации об участке и станции.

# Создание фрейма данных ковариат
covariates <- data.frame(
  site = factor(rep(1:12, each = 15)),
  station = factor(rep(1:15, 12))
)

# Модель с эффектами участка и станции
model2 <- secr.fit(mydata,
                   model = list(D ~ site + site:session, g0 ~ 1, sigma ~ 1),
                   covariates = covariates,
                   details = list(autoini = 1))

Эта модель оценивает:

• Общие эффекты участка на плотность
• Эффекты, специфичные для сессии внутри участков (site:session взаимодействие)
• Позволяет плотности варьироваться как по участкам, так и по сессиям внутри участков

Термин site:session особенно полезен, так как он оценивает, как плотность изменяется в каждом участке в разных сессиях, заимствуя информацию из всех участков и сессий.

Обработка разреженных или нулевых данных об отлове

Пакет secr специально разработан для обработки ситуаций, когда животные присутствуют, но не обнаружены, таких как ваша первая сессия без отловов. Пространственно-явный подход учитывает это, моделируя как пространственное распределение животных (центры активности), так и их вероятность обнаружения на основе расстояния.

# Модель, явно обрабатывающая разреженные данные
model3 <- secr.fit(mydata,
                   model = list(D ~ session, g0 ~ session, sigma ~ session),
                   details = list(
                     autoini = 1,
                     trace = 0,
                     verify = FALSE
                   ))

Эта модель:

• Оценивает отдельные параметры обнаружения (g0 и sigma) для каждой сессии
• Использует autoini = 1 для вычисления начальных значений из сессии 1
• Устанавливает verify = FALSE для избежания сообщений верификации, которые могут возникать с разреженными данными

Пространственная модель inherently учитывает необнаруженных особей, оценивая вероятность обнаружения животных на различных расстояниях от их центров активности. Когда в сессии не происходит отловов, модель все еще может оценить плотность, учитывая пространственное покрытие ваших ловушек и вероятности обнаружения.

Практические шаги реализации

Вот пошаговый подход к реализации вашего анализа:

1. Подготовка ваших данных:

   r

   # Загрузка требуемых пакетов
   library(secr)
   
   # Импорт данных об отлове
   mycapthist <- DENSITY("rodent_captures.txt", type = "multi", 
                        traps = "trap_locations.txt",
                        noccasions = c(5, 5, 5))
   

2. Создание маски для оценки плотности:

   r

   # Создание маски, покрывающей вашу исследуемую область
   mask <- make.grid(mytraplayout, spacing = 20)  # разрешение 20м
   

3. Подгонка модели с несколькими сессиями:

   r

   # Базовая модель с плотностью, специфичной для сессии
   model_session <- secr.fit(mycapthist, 
                             mask = mask,
                             model = list(D ~ session, g0 ~ 1, sigma ~ 1),
                             details = list(autoini = 1))
   
   # Модель с эффектами участка и станции
   model_site_station <- secr.fit(mycapthist,
                                  mask = mask,
                                  model = list(D ~ site + site:session, 
                                              g0 ~ 1, sigma ~ 1),
                                  covariates = covariates,
                                  details = list(autoini = 1))
   

4. Извлечение и интерпретация результатов:

   r

   # Получение оценок плотности, специфичных для сессии
   summary(model_site_station)
   
   # Извлечение оценок плотности по сессиям
   density_estimates <- predict(model_site_station, type = "density")
   

Валидация и интерпретация модели

После подгонки вашей модели вы должны валидировать ее и интерпретировать результаты внимательно:

1. Проверка сходимости модели:

   r

   # Проверка сходимости
   model_site_station$details$converged
   

2. Сравнение моделей:

   r

   # Сравнение моделей с AIC
   model_session <- secr.fit(mycapthist, model = list(D ~ session, g0 ~ 1, sigma ~ 1))
   model_constant <- secr.fit(mycapthist, model = list(D ~ 1, g0 ~ 1, sigma ~ 1))
   
   AIC(model_session, model_constant)
   

3. Интерпретация плотности, специфичной для сессии:

   • Модель D ~ session предоставит отдельные оценки плотности для каждой сессии
   • Даже если в сессии не произошло отловов, вы должны получить оценку плотности
   • Сравните точность (стандартные ошибки) оценок по сессиям

4. Проверка параметров обнаружения:

   • Более высокие значения g0 указывают на лучшую базовую вероятность обнаружения
   • Большие значения sigma указывают на то, что животные обнаруживаются на больших расстояниях

Дополнительные соображения

Для более сложных анализов рассмотрите эти продвинутые подходы:

1. Обнаружение, изменяющееся во времени:

   r

   # Модель с параметрами обнаружения, специфичными для сессии
   model_det <- secr.fit(mycapthist,
                        model = list(D ~ session, g0 ~ session, sigma ~ session),
                        details = list(autoini = 1))
   

2. Пространственные ковариаты:

   r

   # Добавление ковариат среды в модель плотности
   model_cov <- secr.fit(mycapthist,
                        model = list(D ~ session + habitat, g0 ~ 1, sigma ~ 1),
                        covariates = habitat_data)
   

3. Предположение о закрытой популяции:

   • secr предполагает, что популяции закрыты в пределах сессий
   • Если животные перемещаются между сессиями, рассмотрите модели открытых популяций

Пакет secr предоставляет всеобъемлющую документацию и поддержку через secr Google group для любых дополнительных вопросов о спецификации и интерпретации модели.

Источники

1. secr 5.3 - spatially explicit capture–recapture in R Murray Efford 2025-09-27
2. Multi-session models in secr 5.2 Murray Efford 2025-01-26
3. Help in fitting a multi-session SECR model in R Studio
4. r - Secr model by station, session and site - Stack Overflow
5. A tutorial on fitting spatially explicit capture–recapture models in secr 5.2
6. secr: Spatially Explicit Capture-Recapture
7. DENSITY: Import or export data in secr

Заключение

Для оценки плотности грызунов по станциям, сессиям и участкам с использованием secr в R вы должны:

• Структурировать ваши данные как объект capthist с несколькими сессиями с правильными пространственными координатами
• Использовать D ~ session в формуле модели для оценки плотности, специфичной для сессии
• Включать эффекты участка и станции через ковариаты и термы взаимодействия (например, site:session)
• Установить autoini = 1 в деталях для помощи в сходимости, когда некоторые сессии не имеют отловов
• Пространственная модель inherently предоставит оценки плотности даже для сессий с нулевыми отловами, учитывая вероятность обнаружения

Пакет secr особенно хорошо подходит для этого анализа, так как он использует пространственно-явные методы, которые учитывают как распределение животных, так и вероятность обнаружения, позволяя вам оценивать плотность по нескольким сессиям, правильно обрабатывая разреженные или отсутствующие данные об отлове.