Simple Science

Ciência de ponta explicada de forma simples

# Biologia # Ecologia

Novo Método para Rastrear o Movimento dos Animais

Uma nova abordagem melhora a precisão das estimativas de área de atividade dos animais.

Jack Hollins, Christen Fleming, Justin M. Calabrese, Les Harris, Jean Sebastien Moore, Brendan Malley, Michael Noonan, William F. Fagan, Jesse M. Alston, Nigel Hussey

― 6 min ler


Técnica de Rastreamento Técnica de Rastreamento Revolucionária Revelada estudos de movimento animal. Novo método melhora a precisão em
Índice

Quando a gente estuda os animais, uma das grandes perguntas é onde eles gostam de ficar. Essa área, conhecida como seu território, é crucial pra entender como eles escolhem seus lugares favoritos pra comida, amigos e pra evitar perigos. Recentemente, os cientistas começaram a usar rastreamento eletrônico pra seguir os animais e ver pra onde eles vão.

Tem várias maneiras de descobrir o tamanho do território de um animal, mas cada método tem suas peculiaridades e limitações. Alguns métodos comuns são estimadores geométricos, que usam formas baseadas em onde vimos os animais, e métodos probabilísticos, que assumem um modelo baseado em aleatoriedade pra determinar o território.

Um método probabilístico popular é chamado de estimativa de densidade de núcleo (KDE). Esse método coloca pequenas "bolhas" ao redor de cada local onde um animal foi visto. Quando você junta essas bolhas, elas formam uma estimativa do território. O tamanho dessas bolhas depende de uma característica conhecida como largura de banda. Uma largura de banda estreita cria um território mais restrito, enquanto uma largura de banda mais ampla pode esticar o território, levando a resultados menos precisos.

Porém, as coisas ficam complicadas quando os animais encontram Barreiras que não conseguem atravessar, como penhascos ou estradas movimentadas. Nesses casos, as estimativas de território podem se espalhar por áreas que o animal realmente não usa, o que pode levar a tamanhos de território exagerados - um problema chamado viés de transbordamento. Imagine se o território de um caracol incluísse a estrada só porque ele rastejou ao lado uma vez; isso não seria uma estimativa justa!

Pra corrigir essas superestimativas, várias abordagens foram criadas. Alguns métodos tentam incluir fatores ecológicos, como disponibilidade de comida, enquanto outros fazem ajustes depois que o território é criado. Infelizmente, muitos desses métodos são complicados, precisam de muitos recursos, ou têm seus próprios problemas.

Nova Maneira de Estimar Territórios

Chegou uma nova abordagem chamada AKDE corrigido localmente! Esse método busca resolver o problema do transbordamento ajustando as bolhas ao redor das localizações dos animais antes de criar o território final. Assim, se um animal foi visto logo ao lado de uma barreira, as estimativas não vão se infiltrar em áreas inutilizáveis.

Por exemplo, imagine nosso caracol curioso de novo. Se ele passa um tempo ao lado de uma pedra grande, em vez de incluir a área além da pedra no seu território, o novo método vai ajustar a estimativa pra que só inclua áreas que ele consegue realmente acessar. Isso torna os cálculos do território mais precisos e úteis.

Usando simulações em computador, os pesquisadores testaram quão bem esse novo método funciona comparado a técnicas de correção mais antigas. Eles descobriram que o método corrigido localmente produziu territórios mais precisos do que os métodos tradicionais, especialmente quando os animais estavam perto de barreiras. Foi como dar ao nosso caracol um mapa mais claro de onde ele pode rastejar sem incluir acidentalmente o jardim do vizinho.

Testando as Águas

Pra realmente ver como esse novo método se sai, os pesquisadores usaram dados falsos de rastreamento de animais com limites conhecidos e compararam os resultados. Eles rodaram simulações que rastreavam animais por diferentes períodos, ajustando como eles se moviam em relação às barreiras.

Nesses testes, os pesquisadores descobriram que o AKDE corrigido localmente consistentemente forneceu melhores estimativas de territórios se comparado aos métodos tradicionais. Era como ter um GPS que te diz corretamente pra onde ir em vez de te levar por uma busca maluca em territórios desconhecidos.

Os pesquisadores também aplicaram esse método a dados do mundo real coletados de trutas em dois lagos bem diferentes. Eles perceberam que o método corrigido localmente novamente produziu estimativas de território mais confiáveis do que os métodos antigos. Era como descobrir que, enquanto ambos os métodos poderiam te levar até o lago, só um mostraria os melhores pontos de pesca!

E as Barreiras?

É importante notar que não todos os animais se comportam da mesma forma perto de barreiras. Alguns podem "recuar" e mudar de direção, enquanto outros podem seguir bem ao longo da barreira. O novo método pode lidar com esses diferentes comportamentos melhor do que as abordagens anteriores.

Por exemplo, se nosso caracol estava só relaxando ao lado de uma pedra, a nova abordagem garante que ele não inclua acidentalmente um campo inteiro no seu território só porque uma vez ele deslizou até a borda. Isso dá uma imagem mais realista de onde o caracol realmente prefere ficar.

Resumo das Correções Locais

Em resumo, enquanto existem várias maneiras de adivinhar onde os animais andam, o AKDE corrigido localmente oferece melhorias significativas. Ele elimina as suposições e ajuda a proporcionar uma visão mais clara dos movimentos dos animais. Esse método mostra grande potencial pra estudos futuros, garantindo que os cientistas consigam entender melhor não apenas quão longe os animais viajam, mas, mais importante, onde eles realmente se sentem em casa.

Usando essa abordagem aprimorada, os pesquisadores podem rastrear o comportamento dos animais de forma mais precisa e tomar melhores decisões quando se trata de conservação e esforços de gestão. Quem diria que mapear com precisão a casa de um caracol poderia revelar tanto sobre sua vida e o ambiente ao seu redor?

Com o uso desses métodos, os especialistas em vida selvagem agora podem criar estratégias melhores pra proteger os animais e seus habitats, garantindo que todos nós possamos compartilhar o planeta - humanos, caracóis e todo mundo.

Então, da próxima vez que você ver um animal, lembre-se que ele pode ser tão complexo quanto equilibrar em uma cerca ou rastejar ao longo de uma pedra. Eles têm suas próprias casas, gostos e desgostos, e com as tecnologias certas, estamos ficando melhores em entendê-los a cada dia!

Fonte original

Título: Home range spillover in habitats with impassable boundaries: Causes, biases, and corrections using autocorrelated kernel density estimation

Resumo: O_LIAn animals home range plays a fundamental role in determining its resource use and overlap with conspecifics, competitors and predators, and is therefore a common focus of movement ecology studies. Autocorrelated kernel density estimation addresses many of the shortcomings of traditional home range estimators when animal tracking data is autocorrelated, but other challenges in home range estimation remain. C_LIO_LIOne such issue is known as spillover bias, in which home range estimates do not respect impassable movement boundaries (e.g., shorelines, fences), and occurs in all forms of kernel density estimation. While several approaches to addressing spillover bias are used when estimating home ranges, these approaches introduce bias throughout the remaining home range area, depending on the amount of spillover removed, or are otherwise inaccessible to most ecologists. Here, we introduce local corrections to home range kernels to mitigate spillover bias in (autocorrelated) kernel density estimation in the continuous time movement model (ctmm) package, and demonstrate their performance using simulations with known home range extents and distributions, and a real world case study. C_LIO_LISimulation results showed that local corrections minimised bias in bounded home range area estimates, and resulted in more accurate distributions when compared to commonly used post-hoc corrections, particularly at small-intermediate sample sizes. C_LIO_LIComparison of the impacts of local vs post-hoc corrections to bounded home ranges estimated from lake trout (Salvelinus namaycush) demonstrated that local corrections constrained bias within the remaining home range area, resulting in proportionally smaller home range areas compared to when post-hoc corrections are used. C_LI

Autores: Jack Hollins, Christen Fleming, Justin M. Calabrese, Les Harris, Jean Sebastien Moore, Brendan Malley, Michael Noonan, William F. Fagan, Jesse M. Alston, Nigel Hussey

Última atualização: 2024-11-30 00:00:00

Idioma: English

Fonte URL: https://www.biorxiv.org/content/10.1101/2024.11.20.624379

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.11.20.624379.full.pdf

Licença: https://creativecommons.org/licenses/by-nc/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao biorxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes