Populációbecslések és monitoring A becslés szerepe az ökológiában és a vadgazdálkodásban. A becslési módszerek csoportosítása. Teljes számlálás. Statisztikai alapfogalmak.
Fontos lehet tudnunk, hogy hány egyed él a területünkön számlálás. De ez nehézkes, vagy esetleg lehetetlen is vélekedés megbízhatatlan, mert bizonytalan (Dániai őzek esete)! Marad a becslés: a létszám mintavételezésen alapuló megközelítése. Ebben az esetben a megbízhatóság, a hiba mérhető!
Becslési eljárások csoportosítása
Minden egyed látható - teljes számlálás 1. Teljes számlálás 2. Hajtásos számlálás: meghatározott területről a vad kihajtása fehérfarkú szarvas ± 20-30% hiba 3. Teljes térképezés jelölt állatok territóriumainak térképezése 4. Spot.mapping énekes madarak megfigyelése, csomópontok alapján a territóriumok kijelölése 5. Thermal scanning távérzékelés hőkép alapján állatok számlálása hőkontraszt! 6. Populáció rekonstrukció több év során elhullott állatok koreloszlásából a populáció felépítése 7. Légi fotózás vizuális kontraszt, sebesség stb.
Nem minden állat látható és számlálás 1. Mintaterületeken végzett teljes számlálás 2. Kettős mintavétel kis részterületeken teljes számlálás, az egész területen részleges (β< 1) β= y/x (y: a nem teljes számlálás eredménye, x: a teljes számlálás eredménye) N = C/β (C: a mintavétel során látott összes állat) 3. Jelölt alminta - láthatóság becslése β= m/n 1 N = n 2 /β N = populációnagyság, n 1 = a jelölt állatok száma, n 2 = látott jelölt és jelöletlen állatok száma, m = a számlálás során látott jelölt állatok száma. 4. Független megfigyelők módszere két független megfigyelő számlál ugyanazon a területen n 1, n 2 és m jelölés-visszafogás" 5. Nem független megfigyelők az első megfigyelőhöz mennyit tesz hozzá a második kétmintás elvonásnak felel meg (egyenlő megfigyelő képességet tételez fel) 6. Line transect becslés merőleges távolságra alapozott adatok
A mintavételes becslések Előnyök: kevesebb munkaráfordítás csökken az egyes állatok többszöri számlálásából származó hiba valószínűsége hosszabb időtartam, több ismétlés a pontosság (ismételhetőség) és a megbízhatóság (torzítás) jellemezhető Feltételezés: az állatok véletlenszerűen helyezkednek el az állatok nem csoportosulnak ha ez nem igaz, növelni kell az ismétlések
Várható érték: a becslés többszöri megismétlése alapján várható érték Pontosság: mennyire megismételhető a becslés, mennyire közel esnek a becslések értékei a populáció valódi nagyságához a véletlen hibák okozzák. A pontosságot a szórás jellemzi csökkenthető az ismétlések számának növelésével. A torzítás a rendszeres hibákból adódik, vagy a becslési modell hibájából mennyire tér el a várható érték a populáció valódi értékétől.
Megbízható egy becslés, ha torzítatlan és pontos. Konfidencia intervallum (CI): a becslés "hihetőségének" kifejezésére szolgál - meghatározott valószínűségi szinten milyen sávba eshetnek az egyes becslések.
Statisztikai alapfogalmak Várható érték: a középértékkel (az átlaggal) írjuk le. Ha véletlenszerűen kiveszünk egy babszemet egy urnából, amelyben különböző méretű babszemeket helyeztünk el, akkor "várhatóan" a legnagyobb valószínűséggel olyat fogunk kihúzni, amely átlagos méretű, mérete tehát a középérték körül van. Szintén n a minta lokalizáci cióját t mutatja a medián: A medián n az adatok középpontjának nak helye, azaz egyforma számú adat esik a mediánt ntól "lefelé" és s "felfelé". ". A medián n kiszámításához az adatokat növekvn vekvő sorrendbe állítjuk, és s a lista aljáról l kezdve az (n +1)/2-ik adatot kiválasztjuk. Ha n páratlan, p a medián n a rangsorba állított adatok középsk pső értéke. Ha n páros, p akkor a medián n a rangsorba állított lista két k t középsk pső adatának átlaga.
A várható értéktől való eltérés jellemzésére az átlagos eltérés, a variancia szolgál. A szórás a variancia négyzetgyöke. s 2 = (x i x) 2 s (x = i x) 2 n 1 n 1 Szintén n a minta diszperzióját t jellemzi az interkvartilis tartomány, ami az alsó és s a felső kvartilis különbsége.