Estimarea abundenței

# Model Null pentru abundență, fără covariate pentru abundență, doar intercept (~1)
Pdet_Null <- pcount(~Julian+Precip  ~1, mixture="NB", K=100, data=PdetUMF)

# Model pentru abundență cu covariata scale.GroundCover. 
Pdet_m0 <- pcount(~Julian+Precip  ~scale.GroundCover., mixture="NB", K=100, data=PdetUMF)

# Model pentru abundență cu covariata scale.AvgDiameter. 
Pdet_m1 <- pcount(~Julian+Precip  ~scale.AvgDiameter., mixture="NB", K=100, data=PdetUMF)


# Model pentru abundență cu ambele covariate scale.AvgDiameter. și scale.GroundCover.
Pdet_m2 <- pcount(~Julian+Precip  ~scale.AvgDiameter. + scale.GroundCover., 
                  mixture="NB", K=100, data=PdetUMF) 
                  
# Clasificarea modelelor după AIC pentru Plagionotus detritus (PDET)
modelList_Pdet <- fitList(Null = Pdet_Null, m0 = Pdet_m0, m1 = Pdet_m1, m2 = Pdet_m2)
modSel_Pdet <- modSel(modelList_Pdet, nullmod = 'Null')

# Afișarea rezultatelor selecției modelului
modSel_Pdet

# Extracția coeficienților pentru cel mai bun model (în acest exemplu, Pdet_m0)
summary(Pdet_m0)
coef(Pdet_m0)

# Estimarea numărului mediu de indivizi pe sit, bazată pe media modelelor
Pdet_abund <- predict(Pdet_m0, type="state")
Pdet_abund
mean(Pdet_abund$Predicted)

# Calcularea estimărilor generale de abundență
# Se creează o combinație liniară a coeficienților modelului pentru starea (abundență)
lcab <- linearComb(Pdet_m0, c(1, 2), type="state")
# Se transformă combinația liniară înapoi la scara originală
lcab <- backTransform(lcab)
lcab

# Estimarea probabilității medii de detectare, bazată pe media modelelor
Pdet_det <- predict(Pdet_m0, type="det")
Pdet_det
mean(Pdet_det$Predicted)

# Calcularea estimărilor generale de detectare
# Se creează o combinație liniară a coeficienților modelului pentru detecție
lcdet <- linearComb(Pdet_m0, c(1, 1, 1), type="det")
# Se transformă combinația liniară înapoi la scara originală
lcdet <- backTransform(lcdet)
lcdet

# Sfârșitul modelelor