Отправьте статью сегодня! Журнал выйдет 26 июля, печатный экземпляр отправим 30 июля
Опубликовать статью

Молодой учёный

Исследуем мир дикой природы с пакетом Spatially Explicit Capture-Recapture на R

Научный руководитель
Информационные технологии
22.06.2025
48
Поделиться
Библиографическое описание
Яблокова, Е. Э. Исследуем мир дикой природы с пакетом Spatially Explicit Capture-Recapture на R / Е. Э. Яблокова. — Текст : непосредственный // Молодой ученый. — 2025. — № 25 (576). — С. 24-27. — URL: https://moluch.ru/archive/576/126923/.


В статье автор исследует процесс пространственно-явного учета животных с использованием пакета secr на языке программирования R.

Ключевые слова: R, secr, метод, пространственный анализ.

Данная статья рассматривает основные возможности пакета secr в языке программирования R — мощного инструмента для пространственно-явного анализа мечения и повторных отловов. Он активно используется в экологии для оценки численности и распределения животных, особенно когда важно учитывать их пространственное размещение [1].

Методы мечения и повторного отлова применяются в экологических исследованиях для оценки численности популяции животных, которых невозможно пересчитать напрямую [2]. Однако традиционные подходы не всегда учитывают пространственное положение ловушек и перемещения особей. Именно здесь на помощь приходит пакет secr, реализующий пространственные модели поимки.

Пакет secr позволяет:

— оценивать плотность животных с учётом их пространственного распределения;

— использовать различные детекторы (ловушки, камеры, следовые площадки);

— настраивать вероятностные модели обнаружения;

— визуализировать данные поимки и полученные оценки на карте.

Пакет secr предлагает богатый функционал. Вот ключевые функции, используемые в типичном анализе:

— read.capthist() — загружает данные об отлове в формате capture history (история отлова), включая координаты ловушек;

— make.mask() — создает пространственную маску (сетку точек), на которой будет моделироваться плотность;

— secr.fit() — строит модель на основе данных отлова и маски;

— plot() — визуализирует маску, ловушки и результат моделирования;

— predictDsurface() — оценивает плотность животных на всей маске;

— Dsurface() — строит поверхность плотности;

— summary() — дает сводку по результатам модели.

Рассмотрим классический пример с использованием встроенных данных «ovenCH» — результат поимки овсянок в нескольких точках.

Таблица 1

Обзор данных из набора «ovenCH»

Session

BirdID

Sex

Occasion

TrapID

DetectorType

Notes

2005

1234.00001

M

1

A1

multi

первая поимка

2005

1234.00001

M

3

B2

multi

повторный отлов

2005

2345.00002

F

1

C3

multi

первая поимка

2009

3456.00003

M

5

A7

multi

смерть в ловушке (−)

В таблице 1 представлены данные из набора. Описание столбцов:

— Session: годовая сессия (2005–2009).

— BirdID: уникальный идентификатор маркированной птицы (например, 1234.00001).

— Sex: пол: M — самец, F — самка.

— Occasion: номер дня/окра в рамках сезона (например, 1…9).

— TrapID: ID ловушки (условное обозначение сетки).

— DetectorType: тип дектектора — в ovenCH это «multi»

— Notes: дополнительные примечания; например, повторный отлов или отрицательная отметка при смерти.

Реализация пространственного анализа

Рис. 1. Реализация пространственного анализа

На рисунке 1 сначала создаётся маска пространственного поиска, указывая радиус, с которым животные могут быть обнаружены, используя функцию make.mask(). Параметр buffer в функции make.mask() пакета secr определяет ширину зоны вокруг ловушек, в пределах которой строится пространственная маска.

Затем строится модель с помощью функции secr.fit(), параметр detectfn = «HN» — указывает модель функции обнаружения (Half-Normal), которая предполагает, что вероятность поймать животное уменьшается с расстоянием от центра активности.

Используя функцию summary() можно посмотреть сводку о построенной модели. Далее строится поверхность плотности с помощью функции predictDsurface(). Данные преобразовываются в длинный формат в виде датафрейма для удобного построения визуализации. Функция ggplot используется для построения графика, в данном случае в виде тепловой карты, представленной на рисунке 2.

Пространственное распределение плотности по годам

Рис. 2. Пространственное распределение плотности по годам

Модель покажет, где плотность животных выше (например, возле водоема или кормовой базы), а где — ниже. Это важно для принятия решений в области охраны природы: где устанавливать заповедники, как планировать маршруты наблюдений и т. д.

На графике видно, что в течение 5 лет, с 2005 по 2009 год, плотность животных почти не изменялась.

Пакет secr — мощный инструмент для зоологов, экологов и исследователей дикой природы. Он позволяет не просто считать животных, а оценивать их плотность с учетом географического пространства. Это открывает новые горизонты для анализа популяций, особенно в сочетании с данными с фотоловушек или меток GPS.

Литература:

1. secr: Spatially Explicit Capture-Recapture Models [Электронный ресурс] — https://cran.r-project.org/package=secr (дата обращения: 05.06.2025)

2. Методы оценки размеров популяции [Электронный ресурс] URL: https://studfile.net/preview/6877960/ (дата обращения 10.06.2025)

Можно быстро и просто опубликовать свою научную статью в журнале «Молодой Ученый». Сразу предоставляем препринт и справку о публикации.
Опубликовать статью
Ключевые слова
R
secr
метод
пространственный анализ
Молодой учёный №25 (576) июнь 2025 г.
Скачать часть журнала с этой статьей(стр. 24-27):
Часть 1 (стр. 1-65)
Расположение в файле:
стр. 1стр. 24-27стр. 65

Молодой учёный