Files
ffdaten_simulation_R/simulationsstudie_fotofallen_schalenwild.Rmd
2026-08-18 22:48:02 +00:00

693 lines
20 KiB
Plaintext
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
title: "Simulationsstudie für ein Fotofallen-Monitoring von Reh-, Rot- und Gamswild"
subtitle: "Planung eines Fokus–Buffer-Designs zur Erkennung zeitlicher Veränderungen der Raumnutzung"
author: "Projektvorlage"
date: "`r format(Sys.Date(), '%d.%m.%Y')`"
output:
html_document:
toc: true
toc_float: true
number_sections: true
theme: readable
code_folding: show
params:
hauptskript: "fotofallen_power_simulation_schalenwild_grid.R"
art: "Rehwild"
grid_abstand_m: 500
vollstaendig_ausfuehren: false
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(
echo = TRUE,
message = FALSE,
warning = FALSE,
fig.width = 8,
fig.height = 5,
dpi = 120
)
options(stringsAsFactors = FALSE)
```
# Ziel der Simulationsstudie
Die Simulationsstudie untersucht, mit welchem Fotofallen-Design eine zeitliche Abnahme der Nutzung einer **Fokusfläche** zuverlässig erkannt werden kann. Die Fokusfläche wird von einem **Buffer** umgeben. In beiden Zonen werden Fotofallen installiert.
Die zentrale Frage lautet:
> Wie viele Fotofallen werden benötigt und wie sollten sie räumlich verteilt sein, damit eine Abnahme der Raumnutzungsintensität in der Fokusfläche gegenüber dem Buffer mit ausreichender statistischer Sicherheit erkannt wird?
Dabei werden drei Schalenwildarten berücksichtigt:
- Rehwild,
- Rotwild,
- Gamswild.
Die Arten unterscheiden sich in der Simulation unter anderem hinsichtlich Streifgebietsgröße, Bewegungsweite, Bindung an Attraktionspunkte, Aktivität und Gruppengröße.
Die Studie folgt einer prozessbasierten Struktur:
1. Untersuchungsraum definieren.
2. artspezifische Bewegungen simulieren.
3. Kamerastandorte erzeugen.
4. Tierbewegungen und Kamerastandorte räumlich überlagern.
5. Detektionen simulieren.
6. Detektionsraten je Kamera, Jahr und Zone berechnen.
7. die zeitliche Veränderung in Fokusfläche und Buffer vergleichen.
8. den gesamten Ablauf oft wiederholen und daraus die statistische Power bestimmen.
# Benötigte Dateien und Pakete
Das Dokument ist als verständliche Begleitdokumentation zum Hauptskript gedacht. Für eine vollständige Ausführung sollte sich das folgende Skript im selben Arbeitsordner befinden:
```{r dateipfad}
params$hauptskript
```
Benötigte R-Pakete:
```{r pakete, eval=FALSE}
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:
```{r hauptskript-einlesen, eval=FALSE}
source(params$hauptskript)
```
**Hinweis:** Im Hauptskript ist ein kurzer Funktionstest aktiviert. Für die Dokumentation oder einen kontrollierten Lauf kann `RUN_SMOKE_TEST <- FALSE` gesetzt werden.
# Aufbau des Untersuchungsraums
## Fokusfläche, Buffer und Landschaft
Im Beispiel wird die Fokusfläche als Kreis erzeugt. Darum liegt ein ringförmiger Buffer. Eine zusätzliche Landschaftsfläche sorgt dafür, dass auch Streifgebietszentren und Bewegungen außerhalb der beiden eigentlichen Auswertungszonen simuliert werden können.
Wichtige Parameter:
```{r raumparameter, eval=FALSE}
CFG$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:
```{r reale-fokusflaeche, eval=FALSE}
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)
```
# Artspezifische Bewegungsökologie
Die drei Arten werden über getrennte Parameterprofile beschrieben.
```{r artprofile, eval=FALSE}
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.
## 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.
```{r gams-habitat, eval=FALSE}
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))
}
```
# Simulation der zeitlichen Veränderung
Die Studie trennt zwei mögliche Prozesse:
1. eine Veränderung der gesamten Population,
2. eine zusätzliche Veränderung der Nutzung der Fokusfläche.
## Veränderung der Fokusflächennutzung
```{r fokus-veraenderung, eval=FALSE}
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.
## Veränderung der Gesamtpopulation
```{r populationsveraenderung, eval=FALSE}
CFG$annual_population_change <- 0.00
```
- `0.00`: Gesamtpopulation bleibt konstant.
- `-0.05`: jährliche Abnahme um etwa 5 %.
- `0.03`: jährliche Zunahme um etwa 3 %.
Die getrennte Parametrisierung ist wichtig: Eine sinkende Detektionsrate in der Fokusfläche kann entweder aus einer lokalen Verlagerung oder aus einer allgemeinen Bestandsabnahme resultieren.
# Erzeugung der Kamerastandorte
Das Hauptskript bietet zwei Designs.
## Zufällige Standorte mit Mindestabstand
```{r random-design, eval=FALSE}
CFG$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$min_camera_spacing_m <- 250
```
Dabei werden eine feste Kamerazahl und ein gewünschter Anteil in der Fokusfläche vorgegeben.
## Zufällig verschobenes Raster
Für die aktuelle Fragestellung ist besonders das Grid-Design relevant:
```{r grid-design, eval=FALSE}
CFG$camera_design_mode <- "grid"
CFG$grid_spacings_m <- c(250, 350, 500, 700)
CFG$grid_random_rotation <- TRUE
CFG$grid_clip_to <- "outer"
```
Der Rasterabstand bestimmt indirekt die Kamerazahl:
- kleiner Abstand: mehr Kameras,
- großer Abstand: weniger Kameras.
Das Raster wird in jeder Simulationswiederholung zufällig verschoben. Optional wird es auch zufällig gedreht. Dadurch wird geprüft, ob ein Design robust gegenüber einer zufälligen Lage des Rasters ist.
Mögliche Begrenzungen:
```{r grid-clip, eval=FALSE}
CFG$grid_clip_to <- "outer" # Fokusfläche und Buffer
CFG$grid_clip_to <- "focus" # nur Fokusfläche
CFG$grid_clip_to <- "buffer" # nur Buffer
```
## Beispielkarte eines Grid-Designs
Der folgende Block kann ausgeführt werden, nachdem das Hauptskript mit `source()` geladen wurde.
```{r grid-karte, eval=params$vollstaendig_ausfuehren}
cfg_demo <- CFG
cfg_demo$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()
```
# 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:
```{r bewegungsablauf, eval=FALSE}
tracks <- simulate_tracks(
species = "Rehwild",
year = 1,
pars = SPECIES$Rehwild,
area = AREA,
cfg = CFG
)
```
Ein Bewegungsdatensatz enthält mindestens:
| Variable | Bedeutung |
|---|---|
| `animal_id` | Kennung des Tieres |
| `species` | Art |
| `year` | Simulationsjahr |
| `time_step` | laufender Zeitschritt |
| `x`, `y` | Position |
| Aktivitätsinformation | aktiv oder ruhend |
## Beispiel eines Individuums
```{r individuum-plot, eval=params$vollstaendig_ausfuehren}
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()
```
# 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:
```{r detektionsparameter, eval=FALSE}
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:
```{r detektionsaufruf, eval=FALSE}
detections <- simulate_detections(
tracks = tracks_demo,
cameras = cams_demo,
cfg = CFG
)
```
# 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.
```{r zusammenfassung, eval=FALSE}
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.
# 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.
```{r modelltest, eval=FALSE}
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 vollständige Simulationswiederholung
Eine einzelne Wiederholung umfasst alle Prozessschritte:
```{r eine-wiederholung, eval=FALSE}
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.
# 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:
```{r powerziel, eval=FALSE}
CFG$target_power <- 0.80
CFG$alpha <- 0.05
CFG$n_replicates <- 500
```
Für Vorprüfungen reichen oft 50 bis 100 Wiederholungen. Für eine belastbare Designentscheidung sind eher 500 bis 1000 Wiederholungen sinnvoll.
```{r poweranalyse, eval=FALSE}
CFG$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$summary
```
# Darstellung der Ergebnisse
```{r powerplot, eval=FALSE}
library(ggplot2)
ggplot(
ans$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.
# Empfohlene Szenarien
Die Power sollte nicht nur für einen angenommenen Rückgang berechnet werden. Sinnvoll ist eine Szenarienmatrix.
```{r szenarien, eval=FALSE}
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:
```{r populationsszenarien, eval=FALSE}
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.
# Kalibrierung mit realen Daten
Vor einer endgültigen Designentscheidung sollten folgende Komponenten kalibriert werden.
## Bewegungsdaten
Aus GPS-Daten können abgeleitet werden:
- Streifgebietsgrößen,
- Schrittweitenverteilung,
- Aktivitätsrhythmus,
- saisonale Unterschiede,
- Habitatselektion,
- individuelle Variation,
- Geschlechts- oder Altersunterschiede.
## 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.
## 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.
# 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.
# 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.
# Beispiel für einen vollständigen Hauptlauf
```{r kompletter-lauf, eval=FALSE}
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")
```
# Reproduzierbarkeit
Für reproduzierbare Ergebnisse sollte der Zufallsstartwert dokumentiert werden:
```{r seed, eval=FALSE}
set.seed(20260730)
```
Zusätzlich sollten gespeichert werden:
- verwendete R-Version,
- Paketversionen,
- vollständige Parameterliste,
- Eingabekarten,
- Kamerastandorte,
- Simulationscode,
- Rohresultate aller Wiederholungen.
```{r session-info, eval=FALSE}
sessionInfo()
```
# 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.