Escolar Documentos
Profissional Documentos
Cultura Documentos
com
MS Ridout1∗e M. Linkie2
∗e-mail:msridout@kent.ac.uk
9 de maio de 2008
Abstrato
Dados de armadilhas fotográficas que registram a hora do dia em que as fotografias são tiradas
são amplamente utilizados para estudar os padrões de atividade diária das espécies fotografadas. É frequente
de interesse para comparar padrões de atividade, por exemplo, entre homens e mulheres
de uma espécie ou entre um predador e uma espécie de presa. Neste artigo propomos
que a similaridade entre dois padrões de atividade pode ser quantificada por uma medida
até que ponto os padrões se sobrepõem. Vários métodos para estimar este
medidas de sobreposição são descritas e seu desempenho comparativo para dados de atividade
padrões de atividade de três espécies de felinos simpátricos usando dados de armadilhas fotográficas em
Palavras-chave
dados circulares; leopardo nublado; gato dourado; estimativa da densidade do kernel; coef de sobreposição
1
1. Introdução
As florestas tropicais úmidas contêm alguns dos mais altos níveis de diversidade de espécies e
abundância, mas muitas espécies tropicais são enigmáticas, tímidas e reservadas, o que torna
relações umas com as outras, permanecem mal compreendidas. Este é o caso especialmente para
Levantamentos com armadilhas fotográficas fornecem uma importante fonte de dados sobre essas espécies. Tipo-
icamente, as armadilhas fotográficas registram a data e a hora em que cada fotografia é tirada,
permitindo a análise de padrões de atividade com precisão muito melhorada sobre física
armadilhas usadas para pequenos mamíferos, que podem ser visitadas com pouca frequência, e típicas
identificar icamente a atividade apenas dentro de um intervalo de algumas horas (por exemplo, Rychlik, 2005).
e Diniz-Filho, 2004). Como em outros contextos, pode ser preferível apresentar o kernel
estimativas de densidade, por razões discutidas por Wand e Jones (1995, Seção 1.2), para
exemplo.
(eg Weckel, Guiliano e Silver, 2006) ou machos e fêmeas de uma espécie (eg Di
Bitetti, Paviolo e De Angelo, 2006).
funções de densidade de flexibilidade (pdfs) dessas distribuições. Nós nos concentramos em um determinado
(2006). A principal diferença aqui é que a variável registrada, hora do dia, é um circuito
variável aleatória larga cuja densidade subjacente pode muito bem ser bimodal. a precisão
2
Para ilustrar a metodologia, investigamos a sobreposição do padrão de atividade temporal de
Diardi)e gato dourado (Catopuma temminckii),de quatro áreas de estudo de armadilhas fotográficas
leopardo nublado altera seu comportamento de acordo com a competição com carnívoros maiores
e pode até ser menos noturno em Bornéu, onde outros grandes carnívoros, como
tigre, estão ausentes (Davis, 1962; Rabinowitze outros,1987). No entanto, uma questão mais importante
leopardo nublado (11-20 kg) e gato dourado (9-15 kg) (Nowell e Jackson, 1996).
Os estudos de armadilhas fotográficas estão agora fornecendo dados com os quais essas interações de espécies
O artigo está organizado da seguinte forma. Na Seção 2 discutimos brevemente algumas medidas
os dados são circulares. A seção 4 apresenta alguns resultados de um estudo de simulação que
2 Medidas de sobreposição
∫
∆(f, g) = min {f(x), g(x)} dx (Weitzman, 1970),
∫√
ρ(f, g) = f(x)g(x)dx (Matusita, 1955),
∫ {∫ ∫ }
λ(f, g) =2f(x)g(x)dx/ [f(x)]2dx + [g(x)]2dx (Morisita, 1959).
medidas análogas, com integrais substituídas por somas, também foram propostas para
3
sobreposição de nichos ecológicos, essas e outras medidas são discutidas, por exemplo,
Medidas de sobreposição são frequentemente relacionadas a medidas bem conhecidas de distância entre
densidades. Por exemplo, ∆(f, g)está relacionado com oeu1distância entre as densidades,
∫
1
∆(f, g) =1- |f(x) − g(x)|dx
2
e ρ está similarmente relacionado com a distância de Hellinger. Uma pesquisa útil de distância
medidas é fornecida por Devroye (1987; Capítulo 1), que inclui, por exemplo, um
1
∆(f, g)≥ ρ(f, g)2.
2
Neste artigo, nos concentramos em ∆(f, g)e escreva isso simplesmente como ∆ a menos que desejemos
e Schmidt, 2006).
Finalmente, notamos uma propriedade simples de ∆, que é uma consequência direta do fato
4
queeu1a distância satisfaz a desigualdade triangular e isso é relevante para o exemplo
∑n ∑n
f(x) = ceufeu(x) e g(x) = ceugeu(x),
eu=1 eu=1
∑n
onde {feu(x)}e {geu(x)}são densidades e eu=1ceu=1. Então
∑n
ceu∆(feu, geu) < ∆(f, g). (1)
eu=1
ser estimadores de densidade do kernel, é discutido por Ahmad (1980a), Ahmad (1980b) e
A estimativa não paramétrica de ∆ é estudada com mais detalhes por Schmid e Schmidt
(2006), que notam várias expressões matemáticas equivalentes para ∆ que levam a
(ÔV L3em sua notação) que não é invariável para a escolha da origem para circular
dados.
Deixarx1, . . . , xney1, . . . , vocêmdenotam os dois conjuntos de tempos de amostragem. Para armadilha fotográfica
5
considerar são definidos como
∫1 { }
∆̂1 = min f̂(t), ĝ(t) dt (2)
0
∫
1 1
∆̂2 = 1- |f̂(t) − ĝ(t)|dt (3)
20
( { } { })
1 1∑ 1∑ m
n
ĝ (xeu) f̂ (y)j
∆̂ 4 = min 1, + min 1, (4)
2 n eu=1 f̂ (x eu) m j=1 ĝ (yj)
1∑ n { } 1∑ m { }
∆̂5 = EUf̂(x eu) < ĝ(xeu) + EU ĝ(yj)≤ f̂(yj) , (5)
n eu=1 m j=1
(2) e (3) são avaliados usando a regra trapezoidal em uma grade de 512 igualmente espaçadas
dados, no entanto, onde a densidade é restrita a ser igual nos pontos finais do
distribuição, pode-se mostrar que o uso da regra trapezoidal fornece valores idênticos
para ∆̂1e ∆̂2e, portanto, temos apenas três estimadores distintos a considerar.
Para qualquer um desses estimadores podemos estimar os erros padrão pelo bootstrap. Nós
4 Estimando as densidadesf(x)eg(x)
6
4.1 Estimativa de densidade do kernel
Schmid e Schmidt (2006) usam um kernel gaussiano com largura de bandahEscolhido por
Para dados circulares, procedemos de forma análoga, utilizando resultados recentes de Taylor (2008).
1∑ n
f̂(x; ν) = kν[d(x, xeu)]
n eu=1
Como sempre na estimativa de densidade do kernel, uma questão crítica é a escolha da suavização
várias maneiras de calcular uma estimativa robusta adequada de κ para inserir na equação (6)
7
quando a distribuição subjacente pode não ser uma distribuição de von Mises. um simples
abordagem que geralmente funciona muito bem nas simulações de Taylor é deixar
1∑ n
Ak(κ) = − µˆk),
cos(kxeu
n eu=1
estimativa de máxima verossimilhança de κ e valores de κ̂kparak >1 deve ser semelhante. Mas
se a distribuição subjacente não for de von Mises, os estimadores κ̂kSão esperados para
Isso é ilustrado na Figura 1, que mostra duas densidades, uma representando uma espécie
representam a densidade verdadeira e o gráfico de tapete indica uma amostra aleatória de tamanho 100
desta densidade que foi usada para calcular as estimativas de densidade do kernel. MontamosK =3
1 1∑P
f(t) = + {apcos(2πpt) + bppecado(2πpt)} (0≤t≤1). (7)
2π π p=1
8
Restrições um tanto complicadas nos parâmetros {ap}e {bp}é requerido
para garantir que a densidade permaneça não negativa. No entanto, para um dado valor de
Nossa experiência é que a superfície de verossimilhança geralmente tem vários ótimos locais e
Como resultado, ajustar a distribuição requer muito mais tempo de computação do que
5 Estudo de simulação
A Figura 2 mostra doze padrões de atividade hipotéticos escolhidos para representar tipos de
espécies que são ativas principalmente durante o dia; eles diferem na força do
pico diurno e até que ponto ocorre um nível reduzido de atividade durante o
noite. As distribuições na segunda coluna da Figura 2 são idênticas às da
a primeira coluna, exceto que os horários foram alterados em doze horas. Assim os papéis
do dia e da noite são trocados. A coluna final mostra padrões para crepuscular
espécie, com dois picos de atividade; eles diferem na força e simetria de
os picos. Os 66 pares distintos que podem ser formados a partir dessas distribuições têm
9
O objetivo das simulações era investigar o efeito de sub ou super suavização
nos estimadores de sobreposição resultantes e, portanto, definimos o padrão de concentração
(n = m =25, 50, 100 ou 200) e a escolha dec (=0,1, 0,25, 0,5, 0,75, 1, 1,25, 1,5,
2 ou 4) sobre o viés e a precisão dos estimadores de sobreposição resultantes. Nós corremos
Cada conjunto de 100 simulações foi resumido pelo viés, desvio padrão e
raiz do erro quadrático médio (RMSE) das 100 estimativas. A Figura 3 mostra boxplots do
os valores ocorrem para valores decoutro que não sejac =1, mas os padrões diferem acentuadamente. Para
∆̂1e ∆̂4, a escolha ótima decaumenta com o tamanho da amostra, enquanto para ∆̂5isso é
A Figura 4 mostra que os padrões surgem predominantemente devido ao viés de mudança, com
estimativas de kernel estão concentradas em torno dos pontos de dados individuais, resultando em
A Figura 5 compara os estimadores para valores fixos dec =1,25 para ∆̂1,c =1,0 para ∆̂4
ec =0,25 para ∆̂5. essas escolhas decexecutar razoavelmente bem em toda a gama de
10
que para tamanhos de amostra pequenos ∆̂1é geralmente preferível a ∆̂4, em termos de RMSE,
Considerando que o inverso é verdadeiro para grandes tamanhos de amostra. A mão central e direita
painéis da Figura mostra que, para cada tamanho de amostra, o melhor desses dois estimadores
Os métodos descritos acima foram aplicados aos registros de armadilhas fotográficas de quatro áreas de estudo.
áreas localizadas dentro e ao redor dos 13.300 km2Parque Nacional Kerinci Seblat. Entre
nas quatro áreas, os dados foram registrados a partir de 138 colocações de armadilhas fotográficas em um total de
8984 dias de armadilha. Fotografias que foram registradas dentro de trinta minutos de uma sessão anterior
Uma análise prévia de alguns dos dados dessas armadilhas (Linkie et al., 2008) estimou
para ∆̂1), embora com base em um método diferente de estimativa de densidade de kernel para aquele
descrito acima. Aqui aplicamos os métodos descritos neste artigo para estimar
sobreposição de atividade do tigre de Sumatra e duas outras espécies de felinos, o Golden Golden
A Tabela 1 mostra o número de registros de cada espécie em cada área de estudo. Começamos
considerando os dados combinados de todas as quatro áreas de estudo. A Figura 6 mostra o kernel
densidades de soma, mas comparadas a estas, a estimativa de densidade de núcleo comc =0,25
11
Com base nos resultados da seção anterior, usamos as estimativas de densidade do kernel
leopardo nublado. Para os tamanhos de amostra relativamente grandes envolvidos aqui, a simulação
os resultados da Seção anterior sugerem que ∆̂4pode ser o estimador mais confiável.
Embora essas análises sejam úteis para ilustrar a metodologia, elas são potencialmente
com base, por exemplo, no teste usando classificações circulares dado na Seção 5.3.6 de Fisher
A Tabela 3, portanto, fornece estimativas de sobreposição para cada local separadamente. Porque
tamanhos de amostra em locais individuais geralmente são pequenos (Tabela 1), usamos o estimador ∆̂1,
comc =1.25. Para tigre e gato dourado, as estimativas para as áreas 2, 3 e 4 são todas
semelhantes, mas a estimativa para a área 1 é muito menor. No entanto, esta última estimativa é
com base em amostras muito pequenas em ambos os locais, conforme refletido por seu erro padrão maior.
que os valores de sobreposição obtidos para os dados agrupados entre as áreas excederão os
valor médio para as áreas separadas. Os resultados numéricos na Tabela 3 mostram que
o efeito é bastante substancial, de modo que agrupar os dados entre sites substancialmente
12
7 Discussão
Nosso principal objetivo ecológico deste artigo é defender o uso de densidade de kernel
estimativa de cidade de padrões de atividade, particularmente como base para medir a atividade
focando no grau de sincronia dos picos de atividade, também pode ser de interesse ecológico
interesse.
Em um sentido amplo, os resultados da sobreposição são como se poderia antecipar com base no
tamanhos relativos das espécies. Os menores valores de sobreposição foram aqueles entre os
leopardo nublado de tamanho semelhante e gato dourado. O tigre muito maior (50-70 kg) é
provável que se especialize em presas de diferentes espécies, tamanho do corpo e classe de sexo e idade (Karanth
regra (Taylor, 2008) permite que os procedimentos de Schmid e Schmidt (2006) sejam
particular, que para o estimador ∆̂5era melhor alisar demais (c <1). Seria
seria interessante investigar se um efeito semelhante ocorre para dados lineares.
Nossas simulações sugeriram que geralmente era melhor usar ∆̂1para pequena amostra
Schmid e Schmidt que recomendaram ∆̂5com base em seu pequeno viés, exceto
quando a sobreposição verdadeira era próxima de um, onde ∆̂2(equivalente a ∆̂1para circular
dados) foi o preferido. No entanto, em seus estudos, como nos nossos, não há uma
13
Uma alternativa à estimativa de densidade do kernel é ajustar distribuições paramétricas. Aqui
padrão.
Reconhecimentos
Agradecemos ao US Fish and Wildlife Service, 21st Century Tiger, Rufford Small Grants e
Peoples Trust for Endangered Species pelo financiamento deste trabalho. Agradecemos a
Ir. Soewartono, Dr. Sugardjito e o Departamento de Silvicultura e Proteção da Natureza
por nos auxiliarem em nosso trabalho na Indonésia e a Yoan Dinata, Agung Nugroho e
Iding Achmad Haidir por sua ajuda na coleta de dados. Agradecemos também a Juan
Fernández-Durán pela discussão útil sobre distribuições de séries trigonométricas e a
Miguel Juárez por fornecer o software para ajustar as distribuições log-spline direcional.
Referências
Ahmad, IA (1980a). Estimativa não paramétrica de uma medida de afinidade entre dois
distribuições absolutamente contínuas com aplicações de teste de hipótese.Anais
do Instituto de Matemática Estatística,32,223–240.
Di Bitetti, MS, Paviolo, A. e De Angelo, C. (2006) Density, habitat use and ac-
padrões de atividade de jaguatiricas (Leopardus pardalis)na Mata Atlântica de
Misiones, Argentina.Revista de Zoologia,270,153–163.
14
Ferreira, JTAS, Juárez, MA e Steel, MF (2008) Directional log-spline dis-
tributações.Análise Bayesiana,3,1–19.
Jácomo, ATA, Silveira, L., Diniz-Filho, JAF (2004) Separação de nicho entre
o lobo guará (Chrysocyon brachyurus),a raposa comedora de caranguejo (Dusicyon
thous) e a raposa (Dusicyon vetulus)no centro do Brasil.Revista de Zoologia,262, 99–
106.
Linkie, M., Borysiewicz, RS, Dinata, Y., Nugroho, A., Achmad Haidir, I., Ridout,
MS, Leader-Williams, N. e Morgan, BJT (2008) Prevendo os padrões espaço-
temporais do tigre e suas presas em uma paisagem de floresta primária
perturbada em Sumatra.Enviado para publicação.
Matusita, K. (1955) Regras de decisão, baseadas na distância, para problemas de ajuste, dois
amostras e estimativas.Anais de Estatística Matemática,26,631–640.
15
Análise de dados,50,1583–1596.
Taylor, CC (2008) Seleção automática de largura de banda para estimativa de densidade circular.
Estatística Computacional e Análise de Dados,52,3493–3500.
16
Densidade
Densidade
0,0 0,1 0,2 0,3 0,4
17
(a) (b) (c)
Densidade
012345
012345
012345
0:00 12:00 24:00 0:00 12:00 24:00 0:00 12:00 24:00
012345
012345
012345
0:00 12:00 24:00 0:00 12:00 24:00 0:00 12:00 24:00
012345
012345
012345
0:00 12:00 24:00 0:00 12:00 24:00 0:00 12:00 24:00
012345
012345
012345
Figura 2.Doze padrões de atividade hipotéticos. As figuras (a), (b), (d), (e), (j) e (k) são
distribuições de von Mises; as figuras (c), (f), (i) e (l) são misturas de duas distribuições
de von Mises; as figuras (g) e (h) são distribuições de Cauchy agrupadas.
18
0.30
0.30
0.30
∆1 ∆4 ∆5
n=m=25 n=m=25 n=m=25
RMSE
0.15
0.15
0.15
0.00
0.00
0.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.30
0.30
0.30
∆1 ∆4 ∆5
n=m=50 n=m=50 n=m=50
RMSE
0.15
0.15
0.15
0.00
0.00
0.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.20
0.20
0.20
∆1 ∆4 ∆5
n=m=100 n=m=100 n=m=100
RMSE
0.10
0.10
0.10
0.00
0.00
0.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.20
0.20
0.20
∆1 ∆4 ∆5
n=m=200 n=m=200 n=m=200
RMSE
0.10
0.10
0.10
0.00
0.00
0.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
c c c
Figura 3.Boxplots da raiz do erro quadrático médio (RMSE) da sobreposição estimada para
dados simulados com tamanhos de amostran = m =25, 50, 100 ou 200. Cada boxplot
resume o RMSE de um dos três estimadores de sobreposição para os 66 pares de padrões
de atividade. O eixo horizontal mostra o valor decusado na determinação do parâmetro de
concentração para estimativa de densidade do núcleo (ver texto). Observe que o eixo
horizontal não é linear e que a escala do eixo vertical difere entre as linhas.
19
∆1 ∆4 ∆5
0.2
n=m=25 n=m=25 n=m=25
BIAS
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.20
∆1 ∆4 ∆5
n=m=100 n=m=100 n=m=100
0.05
− 0.10
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.30
0.30
0.30
∆1 ∆4 ∆5
n=m=25 n=m=25 n=m=25
0.15
0.15
0.15
SD
0.00
0.00
0.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.20
0.20
0.20
∆1 ∆4 ∆5
n=m=100 n=m=100 n=m=100
0.10
0.10
0.10
SD
0.00
0.00
0.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
0.10
0.25
0.50
0.75
1.00
1.25
1.50
2.00
4.00
20
0.04
0.04
n=m=25 n=m=25 n=m=25
0.00
0.00
− 0.04
− 0.04
0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8
0.04
0.04
n=m=50 n=m=25 n=m=50
− 0.04 0.00 0.04
Difference
0.00
0.00
− 0.04
− 0.04
0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8
0.03
0.04
0.00
0.00
− 0.04
− 0.03
0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8
0.04
0.02
n=m=200 n=m=25 n=m=200
− 0.02 0.00 0.02
Difference
0.00
0.00
− 0.04
− 0.02
0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8 0,0 0,2 0,4 0,6 0,8
21
tigre de Sumatra
leopardo nublado
0.0 0.5 1.0 1.5 2.0 2.5
Density
gato dourado
0.0 0.5 1.0 1.5 2.0 2.5
Density
Hora do dia
22
Tabela 1.Números de registros de armadilhas fotográficas das três espécies em cada local.
Site
Espécies 1 2 3 4 Total
tigre de Sumatra 15 83 52 51 201
gato dourado asiático 14 26 38 26 104
leopardo nublado 27 10 17 32 86
Estimador de sobreposição
Tabela 3.Estimativas de sobreposição dentro de cada área de estudo. O estimador utilizado foi
∆̂1, comc =1.25. Os valores entre colchetes são erros padrão de bootstrap.
Área
Espécies 1 2 3 4 Todas as áreas
23