A continuación ejecutaremos el programa DISTANCE, que podemos descargar desde:

Tamaño: px

Comenzar la demostración a partir de la página:

Download "A continuación ejecutaremos el programa DISTANCE, que podemos descargar desde:"

Germán Castellanos Silva
hace 5 años
Vistas:

MÉTODOS EN BIOLOGÍA DE LA CONSERVACIÓN Máster en Áreas Protegidas, Recursos Naturales y Biodiversidad Guion actualizado el 10/11/2018 Profesor: José Francisco Calvo jfcalvo@um.

1 MÉTODOS EN BIOLOGÍA DE LA CONSERVACIÓN Máster en Áreas Protegidas, Recursos Naturales y Biodiversidad Guion actualizado el 10/11/2018 Profesor: José Francisco Calvo jfcalvo@um.es PRÁCTICA 3 ANÁLISIS DE DATOS DE ABUNDANCIA 1.- Introducción y objetivos En esta práctica trabajaremos con el programa DISTANCE y con los paquetes Distance y unmarked de R para el análisis de modelos que proporcionan estimas de abundancia. Analizaremos inicialmente datos procedentes de muestreos de distancia, estimando densidades mediante el ajuste de las observaciones a modelos con diferentes funciones y métodos de expansión en serie. Diseñaremos los modelos, seleccionaremos los mejores e interpretaremos cuantitativamente sus resultados. Finalmente utilizaremos modelos con unmarked para la estimación de densidades a partir de datos de conteos. 2.- Desarrollo de la sesión (A) Preparación En primer lugar descargaremos en nuestro ordenador varios archivos necesarios para el desarrollo de la práctica accediendo con un navegador de internet a: Debemos descargar este archivo y a continuación descomprimir la carpeta que contiene, por ejemplo, en el Escritorio de Windows. A continuación ejecutaremos el programa DISTANCE, que podemos descargar desde: Ejecutaremos también R (o alternativamente RStudio). Una vez iniciado R cargaremos el archivo de datos y funciones desde el servidor: load(url(" Con la función ls(), o en el correspondiente panel de RStudio, podemos ver las funciones y datos disponibles en MBC.RData. Teclea Info() para más información. (B) Ejemplo del argos real Trabajaremos inicialmente en DISTANCE con los datos de un muestreo de distancia (144 transectos lineales de 2200 m de longitud) del argos real (Argusianus argus) en Sumatra. Una vez ejecutado el programa, cargaremos los datos previamente descargados (archivo de proyecto D6nurul.dst ), que están también disponibles en la web de ejercicios del libro de Conroy et al. (2009): [1]

2 Observaremos en primer lugar la estructura y características de los datos y a continuación abriremos el panel de análisis. El proyecto cuenta ya con un modelo diseñado y ejecutado, y nosotros diseñaremos y ejecutaremos el resto, hasta completar los cuatro que se relacionan a continuación: 1. Uniforme + coseno (uniformcosine) 2. Uniforme + polinomial (uniformpoly) 3. Negativa exponencial + coseno (expcosine) 4. Semi-normal + coseno (hncosine) Una vez realizados los análisis seleccionaremos el mejor modelo y anotaremos la densidad y la probabilidad de detección estimadas con sus intervalos de confianza al 95%. Examinaremos también diversas pruebas de bondad de ajuste. DISTANCE no realiza model averaging, ni permite utilizar covariables en los modelos. Las estimas de model averaging podemos realizarlas nosotros en R calculando previamente los pesos de Akaike de acuerdo con la ecuación: e 0.5 ΔAIC i w i = e 0.5 ΔAIC i Por ejemplo, para las densidades: c(0.023, 0.021, 0.022, 0.018) -> densidades c(0, 3.44, 4.71, 6.96) -> deltas exp( -0.5 * deltas ) / sum( exp( -0.5 * deltas ) ) -> w sum( densidades * w ) En el libro de Conroy et al. (2009) podrás encontrar el método para calcular los intervalos de confianza de las estimas calculadas por model averaging. (C) Modelos de distancia en R: paquete Distance Necesitaremos el paquete Distance. Si no lo tenemos instalado ejecutaremos: install.packages("distance") Una vez instalado, lo cargaremos en memoria: library(distance) Repetiremos los análisis con los datos del argos real, disponibles en el objeto argus del archivo MBC.RData, usando la función ds(). Por defecto, esta función realiza ajustes para transectos lineales (argumento transect="line"), pero puede utilizarse también para muestreos puntuales (argumento transect="point"). Las funciones y métodos de expansión en serie son los mismas [2]

3 que en DISTANCE, a excepción de la función exponencial negativa, que no está disponible. Como no podemos ejecutar el mejor modelo que obtuvimos en DISTANCE, ejecutaremos el segundo: ds(argus, key="hn", adjustment="cos") -> md summary(md) Interpretaremos los resultados y las distintas estimaciones, teniendo en cuenta la superficie total del área de estudio considerada (800 ha). Ejercicio 1 Abre en DISTANCE el archivo de proyecto D6bq.dist que contiene datos de un muestreo puntual de distancias del azulillo grande ( Blue Grosbeak, Passerina caerulea), realizado en Georgia, USA. Estos datos también pueden descargarse de la web de ejercicios del libro de Conroy et al. (2009). El proyecto dispone de cuatro modelos ya ejecutados. Anota sus características y ejecútalos en R usando la función ds(), del paquete Distance, para comprobar que se obtienen los mismos resultados. Los datos están disponibles en el objeto grosbeak del archivo MBC.RData. Los tres modelos que tenemos que comparar son "unif", "hr" y "hn" (en todos los casos adjustment="cos"). Recuerda usar en este caso el argumento transect="point". La selección de modelos podemos realizarla con la función summarize_ds_models(). (D) Modelos de distancia en R: paquete unmarked Necesitaremos el paquete unmarked: install.packages("unmarked") Una vez instalado, lo cargaremos en memoria: library(unmarked) La función de unmarked que realiza estos análisis es distsamp(). Esta función permite estimar la función exponencial negativa y analizar el efecto de covariables de sitio, pero requiere datos agrupados en intervalos de distancia. Analizaremos unos datos de ejemplo correspondientes a una especie de córvido, la chara de Santa Cruz (Island Scrub-jay, Aphelocoma insularis), endémica de la Isla de Santa Cruz (California). Se trata de observaciones agrupadas en tres intervalos de distancia en 307 estaciones de censo (point transects). Los datos están incluidos como ejemplo en el paquete 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") [3]

4 La función distsamp() no tiene opciones para diferentes métodos de expansión en serie porque utiliza un método de estimación distinto al del programa DISTANCE o el paquete Distance. Por lo que respecta a la key function, por defecto utiliza el argumento keyfun = "halfnorm", pero también podemos usar "hazard", "exp" o "uniform". distsamp(~1 ~1, data = issjds) -> mdu1 summary(mdu1) distsamp(~chaparral ~1, data = issjds) -> mdu2 summary(mdu2) distsamp(~chaparral ~chaparral, data = issjds) -> mdu3 summary(mdu3) Selección de modelos: modsel(fitlist(mdu1, mdu2, mdu3)) Model averaging: head(predict(fitlist(mdu1, mdu2, mdu3), "state")) Representaremos ahora gráficamente el resultado del modelo 3, en el que tanto la densidad como la probabilidad de detección dependen de la superficie de la covariable chaparral: plot(issj$chaparral, exp( * issj$chaparral)) Alternativamente, con intervalo de confianza al 95%: plot(issj$chaparral, predict(mdu3, type = "state")[,1]) points(issj$chaparral, predict(mdu3, type = "state")[,3], col=2) points(issj$chaparral, predict(mdu3, type = "state")[,4], col=2) (E) Estimas de abundancia a partir de conteos Realizaremos los análisis con datos de un muestreo de carbonero común (Parus major) consistente en 3 conteos repetidos en 263 cuadrículas de 1 km 2 realizados en Suiza en Estos datos proceden de un archivo que puede descargarse de la web de ejercicios del libro de Kéry y Royle (2016), en el que se recogen más especies y más años de conteos. Para nuestra práctica, los datos seleccionados (carbonero común en 2013) están disponibles en el objeto tits del archivo MBC.RData. Una vez adaptados al formato correspondiente del paquete unmarked los analizaremos utilizando la función pcount(). head(tits) titspc <- unmarkedframepcount(y = tits[,1:3], sitecovs=data.frame(elevation = tits$elevation)) [4]

5 pcount(~ 1 ~ elevation, titspc) -> mpc1 summary(mpc1) plot(tits$elevation, predict(mpc1, type = "state")[,1]) points(tits$elevation, predict(mpc1, type = "state")[,3], col=2) points(tits$elevation, predict(mpc1, type = "state")[,4], col=2) Ejercicio 2 Con los datos del carbonero común, diseña y ejecuta un modelo en el que la abundancia sea dependiente de la altitud y la probabilidad de detección sea dependiente de la visita (obsnum). Es este modelo mejor que el mpc1? Según este nuevo modelo cuál es la densidad estimada de carboneros a 1000 metros de altitud? 3.- Evaluación Realiza la tarea de evaluación de la práctica publicada en el Aula Virtual. 4.- Bibliografía Conroy MJ, Carroll JP Quantitative conservation of vertebrates. Wiley-Blackwell, Oxford. Kéry M, Royle AJ Applied Hierarchical Modeling in Ecology. Volume 1. Elsevier, Amsterdam. Descripción de las funciones y datos Utiliza la función Info()en el archivo MBC.RData. Por ejemplo: Info("argus"). [5]

Documentos relacionados

Máster en Áreas Protegidas, Recursos Naturales y Biodiversidad

Máster en Áreas Protegidas, Recursos Naturales y Biodiversidad Profesor: José Francisco Calvo Sendín jfcalvo@um.es http://webs.um.es/jfcalvo Facultad de Biología Guion y bibliografía 3.1. Transectos y