Multiple imputation step-selection analysis: Improving estimation accuracy of travel distance accounting for route uncertainty

Diese Studie stellt eine neue Methode namens MiSSA vor, die durch die Integration von Mehrfachimputation die Genauigkeit der Schätzung von Wanderstrecken in der integrierten Schrittselektionsanalyse (iSSA) verbessert, indem sie die Unsicherheit nicht-linearer Tierbewegungen zwischen den Messpunkten berücksichtigt.

Das Wesentliche

Die Reise der Tiere: Warum wir nicht nur die Luftlinie zählen

Stellen Sie sich vor, Sie wollen herausfinden, wie viel ein Tier (wie ein Fuchs oder ein Vogel) tatsächlich läuft, um Nahrung zu finden oder ein neues Zuhause zu suchen. Dafür nutzen Wissenschaftler oft GPS-Halsbänder. Aber hier gibt es ein Problem: Die Geräte sind nicht immer perfekt. Manchmal melden sie den Standort nur alle paar Stunden oder Tage.

Das alte Problem: Der "Luftlinien-Trick"
Bisher haben Forscher die Bewegung der Tiere so berechnet, als würden sie sich wie ein Flugzeug bewegen: Sie haben einfach eine gerade Linie von Punkt A (gestern) zu Punkt B (heute) gezogen.

• Die Analogie: Stellen Sie sich vor, Sie gehen durch einen verwinkelten Wald. Ihr Freund ruft Sie alle 10 Minuten an und fragt: "Wo bist du?" Wenn Sie ihm nur die gerade Linie zwischen den Anrufen zeigen, denken Sie, Sie wären 100 Meter gelaufen. In Wirklichkeit haben Sie aber durch den Wald gewandert, um Bäume herumgeschlichen und vielleicht sogar einen kleinen Umweg gemacht – also vielleicht 300 Meter!
• Die Folge: Die alten Methoden (genannt iSSA) unterschätzen die echte Laufstrecke massiv. Das ist wie beim Schätzen der Kalorien, die man verbrannt hat: Wenn man nur die Luftlinie misst, denkt man, man sei fit, obwohl man eigentlich einen ganzen Marathon gelaufen ist. Das führt zu falschen Schlüssen darüber, welche Lebensräume Tiere mögen und welche sie meiden.

Die neue Lösung: MiSSA – Der "Was-wäre-wenn"-Trick
Die Autoren dieses Papiers, Shiori Takeshige und Yusaku Ohkubo, haben eine neue Methode entwickelt, die sie MiSSA nennen (Multiple Imputation Step-Selection Analysis).

• Die Analogie: Statt nur eine gerade Linie zu ziehen, stellen Sie sich vor, Sie wären ein Regisseur, der einen Film dreht. Sie wissen nur, wo der Schauspieler am Anfang und am Ende der Szene stand. Aber was ist dazwischen passiert?
  • Die alte Methode sagte: "Er ist einfach gerade gelaufen."
  • Die neue Methode (MiSSA) sagt: "Lass uns 100 verschiedene Szenarien durchspielen!"
  • In Szenario 1 läuft das Tier links um den Baum herum. In Szenario 2 rechts. In Szenario 3 macht es einen kleinen Umweg über einen Hügel.
  • Das Tier könnte alle diese Wege genommen haben. MiSSA simuliert also hunderte von möglichen Wegen zwischen den beiden bekannten Punkten.

Wie funktioniert das genau?

1. Viele Möglichkeiten: Das Computerprogramm füllt die Lücken zwischen den GPS-Punkten mit vielen verschiedenen, realistischen Wegen auf. Es denkt sich: "Vielleicht ist das Tier hierhin gelaufen, vielleicht dorthin."
2. Durchschnittsbildung: Es berechnet für jeden dieser 100 möglichen Wege die Strecke.
3. Der kluge Mix: Am Ende rechnet es nicht nur einen Durchschnitt, sondern kombiniert alle diese 100 Szenarien auf eine statistisch sehr clevere Weise (ähnlich wie man bei einer Umfrage viele verschiedene Meinungen zusammenfasst, um ein genaues Bild zu bekommen).

Warum ist das so wichtig?

• Genauere Umweltschutz-Maßnahmen: Wenn wir wissen, wie viel ein Tier wirklich läuft, können wir besser verstehen, wo es gerne ist und wo es Angst hat. Vielleicht läuft ein Tier in einem bestimmten Waldgebiet viel langsamer und macht viele Umwege, weil es sich dort sicher fühlt. In einer offenen Wiese läuft es schnell und geradeaus, weil es dort Gefahr sieht.
• Bessere Daten für alte Geräte: Viele alte GPS-Daten haben große Lücken. MiSSA macht diese alten Daten wieder wertvoll, indem es die Unsicherheit der Lücken clever mit einrechnet, statt sie einfach zu ignorieren.
• Falsche Annahmen vermeiden: Ohne diese Methode könnten wir denken, Tiere seien weniger aktiv, als sie sind, oder dass sie bestimmte Gebiete meiden, obwohl sie sie nur schnell durchqueren.

Das Ergebnis der Studie
Die Forscher haben ihre neue Methode in einem Computer-Spiel (Simulation) getestet, bei dem sie die wahre Laufstrecke genau kannten.

• Das alte System (iSSA): Hatte immer zu wenig gemessen (wie jemand, der den Umweg vergisst).
• Das neue System (MiSSA): Lag viel näher an der Wahrheit. Es hat die "versteckten" Kilometer, die zwischen den GPS-Punkten liegen, erfolgreich wiederentdeckt.

Fazit in einem Satz:
MiSSA ist wie eine Brille für Forscher: Sie erlaubt ihnen, die unsichtbaren, verwinkelten Pfade zwischen den GPS-Punkten zu sehen, anstatt nur die geraden Linien zu betrachten, und hilft so, die Welt der Tiere genauer zu verstehen und besser zu schützen.

Technische Zusammenfassung

Titel: Multiple Imputation Step-Selection Analysis (MiSSA): Verbesserung der Schätzgenauigkeit von Reisedistanzen unter Berücksichtigung von Routenunsicherheit

1. Problemstellung

Die Analyse von Tierbewegungen ist fundamental für den Naturschutz und das Verständnis ökologischer Prozesse. Eine etablierte Methode hierfür ist die Integrierte Schrittauswahlanalyse (Integrated Step Selection Analysis, iSSA). Diese Methode schätzt die Habitatselektion, indem sie die Wahrscheinlichkeit berechnet, dass ein Tier einen bestimmten Schritt (Bewegung von Zeit $t$ zu $t+\tau$) wählt.

Das zentrale Problem der konventionellen iSSA liegt in der Behandlung von Reisedistanzen:

• Linearitätsannahme: iSSA geht davon aus, dass sich Tiere zwischen zwei beobachteten Punkten (z. B. GPS-Positionsdaten) auf einer geraden Linie bewegen.
• Unterschätzung der Distanz: Bei Daten mit niedriger zeitlicher Auflösung (große Intervalle $\tau$) ist die tatsächliche Bewegung oft nicht-linear (z. B. Umwege, Suchverhalten). Die Annahme einer geraden Linie führt zu einer systematischen Unterschätzung der tatsächlichen zurückgelegten Distanz.
• Folgen: Dies verzerrt die Schätzung der Schrittlängenverteilung (oft modelliert durch eine Gamma-Verteilung) und damit auch die Parameter der Habitatselektion.
• Herausforderung: Hochauflösende Daten sind oft nicht verfügbar (z. B. bei kleinen Säugetieren oder Vögeln aufgrund von Gewichtsbeschränkungen der Sender) oder führen bei zu hoher Frequenz durch Messfehler zu Rauschen.

2. Methodik: Multiple Imputation Step-Selection Analysis (MiSSA)

Die Autoren schlagen eine neue Methode vor, die Prinzipien der Multiplen Imputation (aus der Statistik fehlender Daten) in das iSSA-Framework integriert.

Kernkonzept:
Anstatt nur die direkte Verbindung zwischen zwei Punkten zu betrachten, werden die unbekannten Pfade zwischen den Beobachtungen als "fehlende Daten" behandelt und durch plausible, simulierte Routen ersetzt.

Schritte des Verfahrens:

1. Generierung von "imputierten genutzten Schritten" (Imputed Used Steps):
   • Für jedes Intervall zwischen zwei beobachteten Punkten ($X_t$ und $X_{t+\tau}$) wird eine Mittelsenkrechte gezogen.
   • Entlang dieser Linie werden Kandidatenpunkte generiert, die potenzielle Zwischenpositionen darstellen.
   • Es werden mehrere Pfade rekonstruiert, die Startpunkt, einen Kandidatenpunkt und Endpunkt verbinden.
   • Für jeden Pfad werden Schrittlänge und Drehwinkel berechnet.
   • Unplausible Pfade (z. B. extrem lange Distanzen) können durch Schwellenwerte gefiltert werden.
2. Multiple Imputation:
   • Der Prozess wird $M$-mal wiederholt (z. B. 100 bis 1000 Iterationen), um $M$ verschiedene vollständige Datensätze zu erzeugen, die jeweils unterschiedliche plausible Routen zwischen den Beobachtungspunkten enthalten.
3. Bedingte logistische Regression:
   • Für jeden der $M$ Datensätze wird eine separate bedingte logistische Regression durchgeführt, um die Koeffizienten für Habitatvariablen, Schrittlänge und Drehwinkel zu schätzen.
4. Zusammenführung der Ergebnisse (Rubin's Rule):
   • Die Ergebnisse der $M$ Regressionen werden nach der Rubin-Regel (Rubin, 1987) kombiniert.
   • Dies beinhaltet die Berechnung des Mittelwerts der Koeffizienten sowie der Varianz, die sowohl die Varianz innerhalb der Imputationen als auch die Varianz zwischen den Imputationen berücksichtigt.
   • Die Bewegungspfade (Gamma- und von-Mises-Verteilungen) werden basierend auf den kombinierten Koeffizienten aktualisiert.

3. Wichtige Beiträge

• Neue Methodik: Entwicklung von MiSSA als Erweiterung von iSSA, die Routenunsicherheit explizit modelliert.
• Statistische Integration: Erfolgreiche Anwendung von Multipler Imputation auf Bewegungsdaten, um das Problem der linearen Interpolation bei niedriger Auflösung zu lösen.
• Verbesserte Genauigkeit: Nachweis, dass die Berücksichtigung von Unsicherheit in den Pfade zu präziseren Schätzungen der Schrittlängenverteilung führt, ohne die interpretierbaren Vorteile von iSSA zu verlieren.

4. Ergebnisse

Die Methode wurde durch zwei Studien evaluiert:

A. Simulationsstudie:

• Setup: Es wurden Tierbewegungen in virtuellen Landschaften mit unterschiedlichen räumlichen Autokorrelationen simuliert. Die Daten wurden heruntergesampelt, um niedrige zeitliche Auflösung zu simulieren.
• Vergleich: MiSSA wurde gegen konventionelles iSSA getestet.
• Ergebnisse:
  • iSSA: Unterschätzte die erwartete Schrittlänge (Gamma-Verteilung) systematisch um ca. 15–20 % (z. B. geschätzter Wert ~84 statt wahrer Wert 100).
  • MiSSA: Lieferte deutlich genauere Schätzungen, die dem wahren Wert sehr nahe kamen (z. B. ~104).
  • Der quadratische Fehler (MSE) war bei MiSSA in allen Szenarien (unterschiedliche Landschaften und Parameterkombinationen) geringer als bei iSSA.
  • Auch bei extremen Parametereinstellungen (hohe Shape- und Scale-Werte) zeigte MiSSA eine geringere Verzerrung, obwohl beide Methoden bei sehr großen Werten Schwierigkeiten hatten.

B. Fallstudie (Empirische Daten):

• Daten: Bewegungsdaten des Fischers (Pekania pennanti).
• Ergebnis: Die Schätzung des erwarteten Wertes der Gamma-Verteilung durch MiSSA (64,81) war höher als durch iSSA (53,48). Dies bestätigt das Simulationsergebnis, dass iSSA die Distanz unterschätzt, wenn man die Unsicherheit der Route ignoriert.

5. Bedeutung und Implikationen

• Naturschutz und Korridore: Genauere Schätzungen der zurückgelegten Distanzen pro Zeiteinheit sind entscheidend, um Habitatselektion und Bewegungskorridore korrekt zu identifizieren. Unterschätzte Distanzen können zu falschen Schlussfolgerungen über die Durchlässigkeit von Landschaften oder die Mortalitätsrisiken (z. B. an Straßen) führen.
• Nutzung von Niedrigauflösungsdaten: MiSSA ermöglicht die valide Nutzung von historischen oder schwer zugänglichen Daten mit niedriger zeitlicher Auflösung (z. B. Geolokatoren), die sonst aufgrund der linearen Interpolationsannahme ungenau wären.
• Vergleichbarkeit: Die Methode erlaubt einen besseren Vergleich von Bewegungsparametern über verschiedene Zeitskalen und Datensätze hinweg, was für Meta-Analysen und langfristige Studien essenziell ist.
• Zukunftsausblick: Obwohl MiSSA vielversprechend ist, bleiben Herausforderungen bestehen, wie die flexible Anpassung des Bereichs für die Kandidatenpunkte bei sehr großen Schrittlängen und die Validierung von Habitatselektionskoeffizienten bei stark variierenden Parametern.

Fazit: Das Paper stellt einen signifikanten methodischen Fortschritt dar, der durch die Integration von Missing-Data-Techniken die Genauigkeit von Bewegungsmodellen in der Ökologie verbessert und somit fundiertere Entscheidungen im Naturschutz unterstützt.