Die Simulationsstudie untersucht, mit welchem Fotofallen-Design eine zeitliche Abnahme der Nutzung einer Fokusfläche zuverlässig erkannt werden kann. Die Fokusfläche wird von einem Buffer umgeben. In beiden Zonen werden Fotofallen installiert.
Die zentrale Frage lautet:
Wie viele Fotofallen werden benötigt und wie sollten sie räumlich verteilt sein, damit eine Abnahme der Raumnutzungsintensität in der Fokusfläche gegenüber dem Buffer mit ausreichender statistischer Sicherheit erkannt wird?
Dabei werden drei Schalenwildarten berücksichtigt:
Die Arten unterscheiden sich in der Simulation unter anderem hinsichtlich Streifgebietsgröße, Bewegungsweite, Bindung an Attraktionspunkte, Aktivität und Gruppengröße.
Die Studie folgt einer prozessbasierten Struktur:
Das Dokument ist als verständliche Begleitdokumentation zum Hauptskript gedacht. Für eine vollständige Ausführung sollte sich das folgende Skript im selben Arbeitsordner befinden:
params$hauptskript
## [1] "fotofallen_power_simulation_schalenwild_grid.R"
Benötigte R-Pakete:
install.packages(c(
"sf",
"data.table",
"ggplot2",
"MASS",
"knitr",
"rmarkdown"
))
# Optional für Negativ-Binomial-Mischmodelle:
install.packages("glmmTMB")
Das Hauptskript kann mit folgendem Befehl eingelesen werden:
source(params$hauptskript)
Hinweis: Im Hauptskript ist ein kurzer Funktionstest
aktiviert. Für die Dokumentation oder einen kontrollierten Lauf kann
RUN_SMOKE_TEST <- FALSE gesetzt werden.
Im Beispiel wird die Fokusfläche als Kreis erzeugt. Darum liegt ein ringförmiger Buffer. Eine zusätzliche Landschaftsfläche sorgt dafür, dass auch Streifgebietszentren und Bewegungen außerhalb der beiden eigentlichen Auswertungszonen simuliert werden können.
Wichtige Parameter:
CFG$focus_radius_m <- 1000
CFG$buffer_width_m <- 1500
CFG$landscape_margin_m <- 1800
CFG$crs <- 32632
Die Bedeutung der Flächen ist:
| Fläche | Funktion |
|---|---|
| Fokusfläche | Bereich, für den eine abnehmende Nutzung geprüft wird |
| Buffer | räumliche Vergleichszone um die Fokusfläche |
| Landschaft | größerer Simulationsraum für Streifgebiete und Bewegungen |
Bei realen Projekten sollte die Fokusfläche nicht künstlich als Kreis erzeugt, sondern als vorhandenes Polygon aus einem GeoPackage, Shapefile oder GeoJSON eingelesen werden.
Beispiel:
library(sf)
focus <- st_read("input/fokusflaeche.gpkg")
focus <- st_make_valid(focus)
focus <- st_transform(focus, 32632)
outer <- st_buffer(focus, dist = 1500)
buffer <- st_difference(outer, focus)
landscape <- st_buffer(outer, dist = 1800)
Die drei Arten werden über getrennte Parameterprofile beschrieben.
SPECIES
Die wichtigsten Parameter sind:
| Parameter | Bedeutung |
|---|---|
n_animals |
simulierte Zahl der Tiere |
home_range_ha |
typische Streifgebietsgröße |
step_scale_m |
Größenordnung kurzfristiger Bewegungsschritte |
n_attraction_points |
Anzahl bevorzugter Aufenthaltsbereiche |
attraction_strength |
Stärke der Rückkehr zu bevorzugten Bereichen |
resting_probability |
Wahrscheinlichkeit eines inaktiven Zeitschritts |
speed_km_day |
angenommene tägliche Bewegungsstrecke |
group_size_mean |
mittlere Gruppengröße |
Die voreingestellten Werte sind Startwerte für die Planung. Sie sollten mit lokalen GPS-Daten, Literaturwerten oder Expertenwissen kalibriert werden.
Für Gamswild ist im Hauptskript die Funktion
habitat_weight_function() vorgesehen. Sie kann später
beispielsweise mit Höhe, Hangneigung, Exposition, Felsanteil,
Walddeckung oder Schneelage erweitert werden.
habitat_weight_function <- function(x, y, species) {
if (species != "Gamswild") return(rep(1, length(x)))
# Platzhalter:
# Später z.B. Vorhersagen eines RSF-/SSF-Modells einsetzen.
rep(1, length(x))
}
Die Studie trennt zwei mögliche Prozesse:
CFG$focus_use_multiplier_end <- 0.60
Ein Wert von 0.60 bedeutet, dass die relative Nutzung
der Fokusfläche im letzten Jahr nur noch 60 % des Ausgangsniveaus
beträgt.
Bei fünf Jahren wird dieser Rückgang schrittweise zwischen Jahr 1 und Jahr 5 umgesetzt.
CFG$annual_population_change <- 0.00
0.00: Gesamtpopulation bleibt konstant.-0.05: jährliche Abnahme um etwa 5 %.0.03: jährliche Zunahme um etwa 3 %.Die getrennte Parametrisierung ist wichtig: Eine sinkende Detektionsrate in der Fokusfläche kann entweder aus einer lokalen Verlagerung oder aus einer allgemeinen Bestandsabnahme resultieren.
Das Hauptskript bietet zwei Designs.
CFG$camera_design_mode <- "random"
CFG$camera_numbers <- c(12, 20, 30, 40, 60)
CFG$allocations_focus <- c(0.35, 0.50, 0.65, 0.80)
CFG$min_camera_spacing_m <- 250
Dabei werden eine feste Kamerazahl und ein gewünschter Anteil in der Fokusfläche vorgegeben.
Für die aktuelle Fragestellung ist besonders das Grid-Design relevant:
CFG$camera_design_mode <- "grid"
CFG$grid_spacings_m <- c(250, 350, 500, 700)
CFG$grid_random_rotation <- TRUE
CFG$grid_clip_to <- "outer"
Der Rasterabstand bestimmt indirekt die Kamerazahl:
Das Raster wird in jeder Simulationswiederholung zufällig verschoben. Optional wird es auch zufällig gedreht. Dadurch wird geprüft, ob ein Design robust gegenüber einer zufälligen Lage des Rasters ist.
Mögliche Begrenzungen:
CFG$grid_clip_to <- "outer" # Fokusfläche und Buffer
CFG$grid_clip_to <- "focus" # nur Fokusfläche
CFG$grid_clip_to <- "buffer" # nur Buffer
Der folgende Block kann ausgeführt werden, nachdem das Hauptskript
mit source() geladen wurde.
cfg_demo <- CFG
cfg_demo$camera_design_mode <- "grid"
cfg_demo$grid_random_rotation <- TRUE
cams_demo <- make_camera_design(
area = AREA,
cfg = cfg_demo,
grid_spacing_m = params$grid_abstand_m
)
ggplot() +
geom_sf(data = AREA$zones, aes(fill = zone), alpha = 0.25) +
geom_sf(data = cams_demo, shape = 21, size = 2.5) +
coord_sf() +
labs(
title = paste("Zufällig verschobenes Kameraraster:",
params$grid_abstand_m, "m"),
subtitle = paste(nrow(cams_demo), "potenzielle Kamerastandorte"),
fill = "Zone"
) +
theme_bw()
Für jedes Jahr werden zunächst Streifgebietszentren erzeugt. Anschließend werden Bewegungsbahnen für alle Tiere simuliert.
Das Bewegungsmodell enthält:
Vereinfacht kann der Ablauf so dargestellt werden:
tracks <- simulate_tracks(
species = "Rehwild",
year = 1,
pars = SPECIES$Rehwild,
area = AREA,
cfg = CFG
)
Ein Bewegungsdatensatz enthält mindestens:
| Variable | Bedeutung |
|---|---|
animal_id |
Kennung des Tieres |
species |
Art |
year |
Simulationsjahr |
time_step |
laufender Zeitschritt |
x, y |
Position |
| Aktivitätsinformation | aktiv oder ruhend |
tracks_demo <- simulate_tracks(
species = params$art,
year = 1,
pars = SPECIES[[params$art]],
area = AREA,
cfg = CFG
)
id_demo <- unique(tracks_demo$animal_id)[1]
one_animal <- tracks_demo[animal_id == id_demo]
one_sf <- st_as_sf(
one_animal,
coords = c("x", "y"),
crs = CFG$crs,
remove = FALSE
)
ggplot() +
geom_sf(data = AREA$zones, aes(fill = zone), alpha = 0.20) +
geom_path(
data = one_animal,
aes(x = x, y = y),
linewidth = 0.35
) +
geom_sf(data = one_sf[1, ], size = 2.5) +
coord_sf() +
labs(
title = paste("Beispielbewegung eines Individuums:", params$art),
subtitle = id_demo,
fill = "Zone"
) +
theme_bw()
Eine Fotofalle registriert nicht automatisch jedes Tier in ihrer Umgebung. Im Modell hängt die Detektionswahrscheinlichkeit von der Entfernung zwischen Tier und Kamera ab.
Wichtige Einstellungen:
CFG$detection_radius_m <- 20
CFG$p_detect_5m <- 0.95
CFG$p_detect_18m <- 0.05
CFG$independence_minutes <- 30
Das bedeutet im Beispiel:
Die Detektionen werden mit folgendem Funktionsaufruf simuliert:
detections <- simulate_detections(
tracks = tracks_demo,
cameras = cams_demo,
cfg = CFG
)
Nach der Detektionssimulation werden die Ereignisse je Kamera zusammengefasst.
Ein zentraler Kennwert ist die relative Detektionsrate:
\[ RAI = \frac{\text{Zahl unabhängiger Ereignisse}} {\text{Kameratage}} \times 100 \]
Sie beschreibt die Zahl unabhängiger Detektionen pro 100 Kameratage.
camera_counts <- summarise_camera_counts(
det = detections,
cameras = cams_demo,
year = 1,
species = params$art,
cfg = CFG
)
Die relative Detektionsrate ist kein direkter Beweis für absolute Dichte. Sie kann sich verändern durch:
Die Hauptauswertung prüft, ob sich der zeitliche Trend in der Fokusfläche vom Trend im Buffer unterscheidet.
Das statistische Modell enthält insbesondere:
\[ \text{Detektionen} \sim \text{Jahr} + \text{Zone} + \text{Jahr} \times \text{Zone} \]
Der Interaktionsterm Jahr × Zone ist entscheidend:
test_result <- fit_change_test(camera_counts)
test_result
Das Hauptskript verwendet, soweit verfügbar, ein Negativ-Binomial-Modell. Dieses ist für überdisperse Zähldaten meist geeigneter als ein einfaches Poisson-Modell.
Eine einzelne Wiederholung umfasst alle Prozessschritte:
one_run <- run_one_replicate(
species = "Rehwild",
pars = SPECIES$Rehwild,
grid_spacing_m = 500,
replicate_id = 1,
cfg = CFG
)
one_run
Das Ergebnis enthält unter anderem:
Ein einzelner Simulationslauf kann zufällig zu einem signifikanten oder nicht signifikanten Ergebnis führen. Deshalb wird jedes Design vielfach wiederholt.
Die statistische Power wird geschätzt als:
\[ Power = \frac{\text{Wiederholungen mit korrekt erkannter Abnahme}} {\text{Zahl gültiger Wiederholungen}} \]
Typisches Ziel:
CFG$target_power <- 0.80
CFG$alpha <- 0.05
CFG$n_replicates <- 500
Für Vorprüfungen reichen oft 50 bis 100 Wiederholungen. Für eine belastbare Designentscheidung sind eher 500 bis 1000 Wiederholungen sinnvoll.
CFG$camera_design_mode <- "grid"
CFG$grid_spacings_m <- c(250, 350, 500, 700)
CFG$n_replicates <- 500
ans <- run_power_analysis(
species_names = c("Rehwild", "Rotwild", "Gamswild"),
cfg = CFG
)
ans$summary
library(ggplot2)
ggplot(
ans$summary,
aes(
x = n_cameras,
y = power,
group = factor(grid_spacing_m),
linetype = factor(grid_spacing_m)
)
) +
geom_line() +
geom_point() +
geom_hline(
yintercept = CFG$target_power,
linetype = 2
) +
facet_wrap(~ species) +
scale_y_continuous(limits = c(0, 1)) +
labs(
x = "Mittlere tatsächliche Kamerazahl",
y = "Statistische Power",
linetype = "Rasterabstand (m)",
title = "Power zur Erkennung einer Abnahme der Fokusflächennutzung"
) +
theme_bw()
Bei der Interpretation sollten neben der Power auch folgende Größen geprüft werden:
Die Power sollte nicht nur für einen angenommenen Rückgang berechnet werden. Sinnvoll ist eine Szenarienmatrix.
focus_effects <- c(0.90, 0.80, 0.70, 0.60)
grid_spacings <- c(250, 350, 500, 700)
species_names <- c("Rehwild", "Rotwild", "Gamswild")
Beispiele:
| Szenario | Interpretation |
|---|---|
0.90 |
10 % geringere Nutzung im letzten Jahr |
0.80 |
20 % geringere Nutzung |
0.70 |
30 % geringere Nutzung |
0.60 |
40 % geringere Nutzung |
Zusätzlich sollten Varianten der Gesamtpopulation geprüft werden:
population_changes <- c(0.00, -0.03, -0.05)
So kann geprüft werden, ob das Design eine lokale Verlagerung auch dann erkennt, wenn gleichzeitig der Gesamtbestand abnimmt.
Vor einer endgültigen Designentscheidung sollten folgende Komponenten kalibriert werden.
Aus GPS-Daten können abgeleitet werden:
Aus Pilotdaten können geschätzt werden:
Zu prüfen sind:
Eine signifikante Abnahme der Detektionsrate in der Fokusfläche zeigt zunächst, dass dort weniger unabhängige Fotofallenereignisse registriert werden.
Dies ist vereinbar mit:
Eine absolute Dichteaussage erfordert zusätzliche Annahmen oder Daten. Denkbare Erweiterungen sind:
Die im Hauptskript enthaltene REM-artige Dichtekennzahl sollte daher als ergänzende Modellgröße und nicht automatisch als belastbare absolute Dichte interpretiert werden.
source("fotofallen_power_simulation_schalenwild_grid.R")
CFG$camera_design_mode <- "grid"
CFG$grid_spacings_m <- c(250, 350, 500, 700)
CFG$grid_random_rotation <- TRUE
CFG$grid_clip_to <- "outer"
CFG$years <- 1:5
CFG$survey_days <- 30
CFG$n_replicates <- 500
CFG$focus_use_multiplier_end <- 0.60
CFG$annual_population_change <- 0.00
ans <- run_power_analysis(
species_names = c("Rehwild", "Rotwild", "Gamswild"),
cfg = CFG
)
data.table::fwrite(ans$raw, "power_raw.csv")
data.table::fwrite(ans$summary, "power_summary.csv")
Für reproduzierbare Ergebnisse sollte der Zufallsstartwert dokumentiert werden:
set.seed(20260730)
Zusätzlich sollten gespeichert werden:
sessionInfo()
Die Simulationsstudie verbindet drei Ebenen:
Die Entscheidung für einen Rasterabstand sollte nicht allein anhand der mittleren Kamerazahl getroffen werden. Entscheidend ist, ob das Design für alle relevanten Arten und realistischen Rückgangsszenarien eine ausreichende Power erreicht und zugleich praktisch umsetzbar bleibt.