1 Ziel der Simulationsstudie

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:

  • Rehwild,
  • Rotwild,
  • Gamswild.

Die Arten unterscheiden sich in der Simulation unter anderem hinsichtlich Streifgebietsgröße, Bewegungsweite, Bindung an Attraktionspunkte, Aktivität und Gruppengröße.

Die Studie folgt einer prozessbasierten Struktur:

  1. Untersuchungsraum definieren.
  2. artspezifische Bewegungen simulieren.
  3. Kamerastandorte erzeugen.
  4. Tierbewegungen und Kamerastandorte räumlich überlagern.
  5. Detektionen simulieren.
  6. Detektionsraten je Kamera, Jahr und Zone berechnen.
  7. die zeitliche Veränderung in Fokusfläche und Buffer vergleichen.
  8. den gesamten Ablauf oft wiederholen und daraus die statistische Power bestimmen.

2 Benötigte Dateien und Pakete

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.

3 Aufbau des Untersuchungsraums

3.1 Fokusfläche, Buffer und Landschaft

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)

4 Artspezifische Bewegungsökologie

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.

4.1 Beispielhafte Unterschiede

  • Rehwild: kleinere Streifgebiete und stärkere lokale Bindung.
  • Rotwild: deutlich größere Streifgebiete und weitere Bewegungen.
  • Gamswild: mittlere bis große Streifgebiete; zusätzlich kann eine topografische Habitatselektion eingebaut 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))
}

5 Simulation der zeitlichen Veränderung

Die Studie trennt zwei mögliche Prozesse:

  1. eine Veränderung der gesamten Population,
  2. eine zusätzliche Veränderung der Nutzung der Fokusfläche.

5.1 Veränderung der Fokusflächennutzung

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.

5.2 Veränderung der Gesamtpopulation

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.

6 Erzeugung der Kamerastandorte

Das Hauptskript bietet zwei Designs.

6.1 Zufällige Standorte mit Mindestabstand

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.

6.2 Zufällig verschobenes Raster

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:

  • kleiner Abstand: mehr Kameras,
  • großer Abstand: weniger Kameras.

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

6.3 Beispielkarte eines Grid-Designs

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()

7 Simulation der Tierbewegungen

Für jedes Jahr werden zunächst Streifgebietszentren erzeugt. Anschließend werden Bewegungsbahnen für alle Tiere simuliert.

Das Bewegungsmodell enthält:

  • eine Bindung an das Streifgebiet,
  • mehrere Attraktionspunkte,
  • zufällige Bewegungsschritte,
  • Ruhephasen,
  • artspezifische Bewegungsskalen,
  • eine zeitlich veränderliche Präferenz für die Fokusfläche.

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

7.1 Beispiel eines Individuums

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()

8 Simulation der Fotofallendetektion

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:

  • in 5 m Entfernung ist die Detektionswahrscheinlichkeit hoch,
  • in 18 m Entfernung ist sie gering,
  • außerhalb des Detektionsradius erfolgt keine Detektion,
  • Beobachtungen werden zu unabhängigen Ereignissen zusammengefasst.

Die Detektionen werden mit folgendem Funktionsaufruf simuliert:

detections <- simulate_detections(
  tracks = tracks_demo,
  cameras = cams_demo,
  cfg = CFG
)

9 Kennwerte je Kamera, Jahr und Zone

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:

  • lokale Dichte,
  • Raumnutzung,
  • Aktivitätszeit,
  • Bewegungsgeschwindigkeit,
  • Gruppengröße,
  • Sichtfeld und Ausrichtung der Kamera,
  • Vegetation und Hindernisse,
  • technische Ausfallzeiten.

10 Statistischer Test

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:

  • negativer Interaktionseffekt: stärkere Abnahme in der Fokusfläche,
  • Effekt nahe null: ähnliche Entwicklung in beiden Zonen,
  • positiver Effekt: relative Zunahme der Fokusflächennutzung.
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.

11 Eine vollständige Simulationswiederholung

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:

  • Art,
  • Rasterabstand,
  • tatsächliche Kamerazahl,
  • Anteil der Kameras in der Fokusfläche,
  • geschätzten Interaktionseffekt,
  • p-Wert,
  • Entscheidung, ob die Abnahme erkannt wurde,
  • mittlere Ereigniszahl,
  • Anteil der Kamera-Jahre ohne Ereignis.

12 Poweranalyse

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

13 Darstellung der Ergebnisse

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:

  • minimale und maximale Kamerazahl bei zufälliger Rasterlage,
  • Anteil der Kameras in der Fokusfläche,
  • Anteil der Kamera-Jahre ohne Detektion,
  • mittlere Ereigniszahl,
  • Konvergenz und Zahl gültiger Modellläufe,
  • Stärke des geschätzten Interaktionseffekts.

14 Empfohlene Szenarien

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.

15 Kalibrierung mit realen Daten

Vor einer endgültigen Designentscheidung sollten folgende Komponenten kalibriert werden.

15.1 Bewegungsdaten

Aus GPS-Daten können abgeleitet werden:

  • Streifgebietsgrößen,
  • Schrittweitenverteilung,
  • Aktivitätsrhythmus,
  • saisonale Unterschiede,
  • Habitatselektion,
  • individuelle Variation,
  • Geschlechts- oder Altersunterschiede.

15.2 Kameradaten

Aus Pilotdaten können geschätzt werden:

  • mittlere Ereigniszahl je Kameratag,
  • Anteil von Nullbeobachtungen,
  • Unterschiede zwischen Habitaten,
  • Ausfallzeiten,
  • effektive Detektionsdistanz,
  • Einfluss von Wegen oder Wechseln,
  • benötigter Unabhängigkeitszeitraum.

15.3 Fokusfläche und Buffer

Zu prüfen sind:

  • ausreichende Größe beider Zonen,
  • Repräsentativität der Habitate,
  • Lage relativ zu Streifgebietsgrößen,
  • räumliche Abhängigkeit benachbarter Kameras,
  • praktische Erreichbarkeit,
  • unveränderte Standorte über die Jahre.

16 Interpretation von relativer Abundanz und Dichte

Eine signifikante Abnahme der Detektionsrate in der Fokusfläche zeigt zunächst, dass dort weniger unabhängige Fotofallenereignisse registriert werden.

Dies ist vereinbar mit:

  • geringerer lokaler Tierdichte,
  • geringerer Aufenthaltsdauer,
  • einer Verlagerung der Streifgebiete,
  • veränderten Bewegungswegen,
  • geringerer Aktivität,
  • veränderter Detektierbarkeit.

Eine absolute Dichteaussage erfordert zusätzliche Annahmen oder Daten. Denkbare Erweiterungen sind:

  • Random Encounter Model,
  • Time-to-Event-Modelle,
  • Space-to-Event-Modelle,
  • räumliche Capture-Recapture-Modelle bei individuell erkennbaren Tieren,
  • Kalibrierung mit GPS-markierten Tieren,
  • gemeinsame Modelle für Aktivität, Nutzung und Detektion.

Die im Hauptskript enthaltene REM-artige Dichtekennzahl sollte daher als ergänzende Modellgröße und nicht automatisch als belastbare absolute Dichte interpretiert werden.

17 Praktischer Arbeitsablauf

  1. Fokusfläche als reale Geometrie einlesen.
  2. Bufferbreite fachlich festlegen.
  3. artspezifische Parameter mit lokalen Daten kalibrieren.
  4. plausible Rückgangsszenarien definieren.
  5. mehrere Rasterabstände vergleichen.
  6. zunächst einen kleinen Funktionstest durchführen.
  7. anschließend mindestens 500 Wiederholungen je Design rechnen.
  8. Power, Nullanteil und tatsächliche Kamerazahl gemeinsam bewerten.
  9. ein praktisch umsetzbares Design auswählen.
  10. die gleichen Kamerastandorte über die Monitoringjahre beibehalten.

18 Beispiel für einen vollständigen Hauptlauf

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")

19 Reproduzierbarkeit

Für reproduzierbare Ergebnisse sollte der Zufallsstartwert dokumentiert werden:

set.seed(20260730)

Zusätzlich sollten gespeichert werden:

  • verwendete R-Version,
  • Paketversionen,
  • vollständige Parameterliste,
  • Eingabekarten,
  • Kamerastandorte,
  • Simulationscode,
  • Rohresultate aller Wiederholungen.
sessionInfo()

20 Zusammenfassung

Die Simulationsstudie verbindet drei Ebenen:

  1. ökologischer Prozess: artspezifische Bewegung und Raumnutzung,
  2. Beobachtungsprozess: unvollständige Detektion durch Fotofallen,
  3. Stichprobendesign: Kamerazahl und räumliche Verteilung.

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.