Muestreo a distancia

El muestreo por distancia es un grupo de métodos estrechamente relacionados y ampliamente utilizado para estimar la densidad y/o abundancia de poblaciones . Los métodos principales se basan en transectos lineales o transectos puntuales . ^{[1] [2]} En este método de muestreo, los datos recopilados son las distancias de los objetos que se están estudiando desde estas líneas o puntos colocados aleatoriamente, y el objetivo es estimar la densidad promedio de los objetos dentro de una región. ^[3]

Un enfoque común para el muestreo de distancias es el uso de transectos lineales. El observador recorre una línea recta (colocada aleatoriamente o siguiendo alguna distribución planificada). Siempre que observa un objeto de interés (por ejemplo, un animal del tipo que se está estudiando), registra la distancia desde su posición actual hasta el objeto ( r ), así como el ángulo de detección hasta la línea del transecto ( θ ). La distancia del objeto hasta el transecto se puede calcular entonces como x = r * sin( θ ). Estas distancias x son las distancias de detección que se analizarán en modelos posteriores.

Los objetos se detectan hasta una distancia de detección máxima predeterminada w . No todos los objetos dentro de w serán detectados, pero una suposición fundamental es que todos los objetos a distancia cero (es decir, en la línea misma) son detectados. Por lo tanto, se espera que la probabilidad de detección general sea 1 en la línea y disminuya con el aumento de la distancia desde la línea. La distribución de las distancias observadas se utiliza para estimar una "función de detección" que describe la probabilidad de detectar un objeto a una distancia dada. Dado que se cumplen varias suposiciones básicas, esta función permite la estimación de la probabilidad promedio P de detectar un objeto dado que está dentro del ancho w de la línea. La densidad de objetos puede entonces estimarse como D = n / ( P * a ) , donde n es el número de objetos detectados y a es el tamaño de la región cubierta (longitud total del transecto ( L ) multiplicada por 2 w ).

En resumen, modelar cómo disminuye la detectabilidad a medida que aumenta la distancia desde el transecto permite estimar cuántos objetos hay en total en el área de interés, en función de la cantidad que realmente se observó. ^[2]

La metodología de estudio para transectos puntuales es ligeramente diferente. En este caso, el observador permanece estacionario, el estudio finaliza no cuando se alcanza el final del transecto sino después de un tiempo predeterminado, y las distancias medidas hasta el observador se utilizan directamente sin conversión a distancias transversales. Los tipos de funciones de detección y el ajuste también son diferentes en cierto grado. ^[2]

La disminución de la detectabilidad a medida que aumenta la distancia desde la línea del transecto se modela utilizando una función de detección g( y ) (aquí y es la distancia desde la línea). Esta función se ajusta a la distribución de rangos de detección representados como una función de densidad de probabilidad (PDF). La PDF es un histograma de distancias recopiladas y describe la probabilidad de que un objeto a la distancia y sea detectado por un observador en la línea central, y se supone que las detecciones en la línea misma ( y = 0) son seguras ( P = 1).

De preferencia, g( y ) es una función robusta que puede representar datos con características de distribución poco claras o débilmente definidas, como sucede frecuentemente en los datos de campo. Se utilizan comúnmente varios tipos de funciones, según la forma general de la PDF de los datos de detección:

Aquí w es la distancia total de truncamiento de detección y a , b y σ son parámetros específicos de la función. En general, se considera que las funciones de seminormal y de tasa de riesgo son las que tienen más probabilidades de representar datos de campo que se recopilaron en condiciones bien controladas. La probabilidad de detección que parece aumentar o permanecer constante con la distancia desde la línea del transecto puede indicar problemas con la recopilación de datos o el diseño de la encuesta. ^[2]

Un método frecuentemente utilizado para mejorar el ajuste de la función de detección a los datos es el uso de expansiones de series. Aquí, la función se divide en una parte "clave" (del tipo cubierto anteriormente) y una parte "serie"; es decir, g( y ) = key( y )[1 + series( y )]. La serie generalmente toma la forma de un polinomio (por ejemplo, un polinomio de Hermite ) y está destinada a agregar flexibilidad a la forma de la función clave, lo que le permite ajustarse más estrechamente a la PDF de los datos. Si bien esto puede mejorar la precisión de las estimaciones de densidad/abundancia, su uso solo es defendible si el conjunto de datos tiene un tamaño y una calidad suficientes para representar una estimación confiable de la distribución de la distancia de detección. De lo contrario, existe el riesgo de sobreajustar los datos y permitir que las características no representativas del conjunto de datos sesguen el proceso de ajuste. ^{[2] [4]}

Dado que el muestreo a distancia es un método de estudio relativamente complejo, la fiabilidad de los resultados del modelo depende del cumplimiento de una serie de supuestos básicos. Los más fundamentales se enumeran a continuación. Los datos derivados de estudios que violan uno o más de estos supuestos pueden corregirse con frecuencia, pero no siempre, en cierta medida antes o durante el análisis. ^{[1] [2]}

Un grupo de proyecto de la Universidad de St Andrews mantiene un conjunto de paquetes para usar con R , así como un programa independiente para Windows. ^[5]

• El-Shaarawi (ed) 'Encyclopedia of Environmetrics', Wiley-Blackwell, 2012 ISBN 978-0-47097-388-2 , conjunto de seis volúmenes. 

• Bibliografía de > 1400 publicaciones científicas que utilizan el método