Estimarea ocupanței

Pentru a crea acest obiect în R, vom folosi funcțiile și structurile de date specifice pachetului ‘unmarked’. Ar trebui să creăm un obiect care conține datele de detecție / nondectecție, variabilele la nivel de sit și variabilele la nivel de observație, și să-l formatăm într-un mod specific pentru a fi utilizat în analiza de ocupanță cu pachetul ‘unmarked’.

minkUMF <- with(mink, {
  unmarkedFrameOccu(
    y = cbind(LISE1, LISE2, LISE3, LISE4),
    siteCovs = setNames(
      data.frame(scale(JulyTemp), scale(DO), scale(DistMFbreed), Beaver),
      c("JulyTemp", "DO", "DistMFbreed", "Beaver")
    ),
    obsCovs = list(
      Date = setNames(scale(cbind(Julian1, Julian2, Julian3, Julian4)), c("Julian1", "Julian2", "Julian3", "Julian4")),
      Wind = cbind(Wind1, Wind2, Wind3, Wind4),
      Sky = cbind(Sky1, Sky2, Sky3, Sky4)
    )
  )
})

Analiza are 2 etape. Mai întâi, trebuie să evaluăm cei mai buni predictorii pentru detecție. Prin urmare, rulăm mai multe modele care conțin aceeași suită de variabile legate de sit (pentru modelarea ocupanței), dar diferite combinații de variabile specifice sondajului pentru modelarea detecției. Scopul este de a identifica cele mai bune variabile care explică probabilitatea de detectare, pentru a le folosi în următorul pas al analizei.

mink.d1 = occu(~Date + Wind + Sky ~JulyTemp + DO + DistMFbreed, data=minkUMF)
summary(mink.d1)

mink.d2 = occu(~Date + Sky ~JulyTemp + DO + DistMFbreed, data=minkUMF)
summary(mink.d2)

mink.d3 = occu(~Date ~JulyTemp + DO + DistMFbreed, data=minkUMF)
summary(mink.d3)

mink.d4 = occu(~Sky ~JulyTemp + DO + DistMFbreed, data=minkUMF)
summary(mink.d4)

mink.d5 = occu(~Date + Wind ~JulyTemp + DO + DistMFbreed, data=minkUMF)
summary(mink.d5)

Următorul pas constă în implementarea selecției modelului prin AICc (Akaike Information Criterion corectat). Trebuie să creați o listă de modele, să le atribuiți nume semnificative, să creați o tabelă de selecție și să identificați cel mai bun model care explică detecția.

modlist_d <- list (DateWindSky = mink.d1, DateSky = mink.d2,
Date = mink.d3, Sky = mink.d4, DateWind = mink.d5)

selection_d = model.sel(modlist_d)
selection_d

Cel mai bun model este mink.d2: variabilele Date și Sky sunt cele mai relevante pentru a explica variația în probabilitatea de detecție. Acum vom folosi aceste două variabile pentru a construi mai multe modele care explorează predictorii pentru ocupanță.

# predictori climatici
mink.o1 = occu(~Date + Sky ~JulyTemp, data=minkUMF)

# predictori peisagistici
mink.o2 = occu(~Date + Sky ~DistMFbreed + factor(Beaver), data=minkUMF)

# predictori lacustri
mink.o3 = occu(~Date + Sky ~DO, data=minkUMF)

# predictori climatici și lacustri
mink.o4 = occu(~Date + Sky ~JulyTemp + DO, data=minkUMF)

# predictori peisagiști și lacustri
mink.o5 = occu(~Date + Sky ~DistMFbreed + factor(Beaver) + DO, data=minkUMF)

# predictori peisagiști și climatici
mink.o6 = occu(~Date + Sky ~DistMFbreed + factor(Beaver) + JulyTemp, data=minkUMF)

Suntem pregătiți să implementăm selecția modelului prin AICc; trebuie să creăm o listă de modele, să le atribuim nume semnificative, să creăm o tabelă de selecție și să identificăm cel mai bun model care explică detecția.

modlist_o <- list(JTemp = mink.o1, MFBreedBeaver = mink.o2, DO = mink.o3, JTempDO = mink.o4,
MFBreedBeaverDO = mink.o5, FBreedBeaverJTemp = mink.o6)

selection_o = model.sel(modlist_o)
selection_o
Pages: 1 2 3