Population Density Estimators for Right-Censored Distance Sampling

Resumen Técnico: Estimadores de Densidad Poblacional para Muestreo de Distancia con Datos Censurados a la Derecha

1. Planteamiento del Problema

El método de muestreo por cuartos centrados en puntos (PCQM, por sus siglas en inglés) es una herramienta fundamental en ecología para estimar la densidad poblacional de organismos sésiles (como árboles) sin necesidad de parcelas completas. Sin embargo, su aplicación práctica enfrenta dos desafíos críticos que a menudo se tratan por separado o de forma insuficiente:

1. Agregación Espacial: La mayoría de los estimadores clásicos asumen una Distribución de Poisson homogénea (Aleatoriedad Espacial Completa, CSR). En la realidad, las poblaciones naturales suelen mostrar agregación espacial debido a la dispersión limitada, la heterogeneidad del hábitat o interacciones biológicas. Los estimadores basados en Poisson tienden a subestimar sistemáticamente la densidad cuando existe agregación.
2. Censura a la Derecha (Right-Censoring): En el campo, el radio de búsqueda suele estar limitado por tiempo, seguridad o visibilidad. Cuando no se detecta un individuo dentro de este radio máximo ($C$), la observación se considera "censurada" ($R > C$). Ignorar estas observaciones o tratarlas incorrectamente introduce sesgos significativos (generalmente positivos).

El vacío de conocimiento: Aunque existen métodos para corregir la censura bajo el supuesto de Poisson, y métodos para manejar la agregación bajo el modelo de Distribución Binomial Negativa (NBD) con datos completos, no existía un marco sistemático que integrara la modelización de la agregación espacial (NBD) con el manejo de datos censurados a la derecha.

2. Metodología

Los autores desarrollan un conjunto unificado de estimadores de densidad bajo dos marcos espaciales principales: el modelo de Poisson (CSR) y el modelo de Distribución Binomial Negativa (NBD) para poblaciones agregadas.

A. Extensión al caso censurado (Poisson/CSR):

• Se adaptan los estimadores de momentos clásicos (tipo Cottam y tipo Pollard) reemplazando los momentos empíricos estándar por momentos ajustados por censura.
• Se deriva un Estimador de Máxima Verosimilitud (MLE) para datos censurados bajo el modelo de Poisson. Para el caso especial de $\ell=1$ (vecino más cercano), se obtiene una solución analítica cerrada; para otros casos, se resuelve numéricamente.

B. Extensión al caso censurado (Agregación/NBD):

• Aproximación de Momentos: Se proponen nuevos estimadores de momentos basados en la NBD. La innovación clave es aproximar la esperanza condicional de las distancias censuradas ($E[R^u | R > C]$) asumiendo inicialmente un modelo de Poisson (CSR) para la parte censurada. Los autores demuestran teóricamente que el sesgo introducido por esta aproximación es despreciable bajo censura moderada y disminuye a medida que aumenta el parámetro de agregación ($k$).
• Máxima Verosimilitud (MLE) para NBD: Se formula una función de verosimilitud que combina las distancias observadas y la probabilidad de censura (basada en la función de distribución acumulada de la NBD). Los parámetros de densidad ($\lambda$) y agregación ($k$) se estiman mediante optimización numérica.

C. Diseño de Evaluación:

• Simulaciones: Se generaron patrones de puntos espaciales bajo procesos de Poisson (CSR) y procesos de agrupamiento de Thomas (agregación) con diferentes intensidades y escalas de agrupamiento. Se impuso un radio de búsqueda máximo ($C$) para simular censura.
• Datos Empíricos: Se aplicaron los siete estimadores a dos parcelas forestales censadas completamente (Barro Colorado Island, Panamá y Harvard Forest, EE. UU.), simulando diseños de muestreo PCQM con diferentes radios y órdenes de vecinos ($\ell = 1, 2, 3$).
• Métricas: Se evaluaron el sesgo relativo (rBias), el error cuadrático medio relativo (rRMSE) y la precisión (rSD).

3. Contribuciones Clave

1. Marco Unificado: Es el primer estudio que proporciona un tratamiento sistemático y completo para datos de distancia PCQM que son simultáneamente censurados y provienen de poblaciones agregadas.
2. Nuevos Estimadores:
   • Extensión de estimadores de momentos y MLE al caso censurado bajo CSR.
   • Desarrollo de nuevos estimadores de momentos y MLE bajo el modelo NBD para datos censurados, llenando un vacío metodológico importante.
3. Validación Rigurosa: Demostración mediante simulaciones y datos reales de que los estimadores basados en NBD son superiores en escenarios ecológicos realistas donde coexisten la agregación y la censura.
4. Herramienta Computacional: Se ha puesto a disposición un paquete en R (TruncatedPCQM) para facilitar la aplicación de estos métodos por parte de la comunidad ecológica.

4. Resultados Principales

• Rendimiento en CSR: En poblaciones aleatorias, los estimadores basados en Poisson (especialmente el MLE censurado y el tipo Pollard ajustado) mostraron un bajo sesgo y alta precisión.
• Rendimiento en Poblaciones Agregadas:
  • Los estimadores basados en Poisson fallaron sistemáticamente, subestimando la densidad.
  • Los estimadores basados en NBD demostraron una superioridad clara.
  • El Estimador MLE basado en NBD ($\hat{\lambda}^{(c)}_{n,MLE}$) fue el más robusto y preciso. Logró un sesgo relativo mediano inferior al 20% en la gran mayoría de los escenarios empíricos y simulados, superando consistentemente a los estimadores de momentos y a los métodos basados en Poisson.
• Impacto del Radio de Búsqueda ($C$) y el Orden del Vecino ($\ell$):
  • Aumentar el orden del vecino ($\ell$) para mejorar la precisión (como se hace en muestreo sin censura) es contraproducente bajo censura severa, ya que aumenta drásticamente la proporción de sectores censurados.
  • Se recomienda usar órdenes bajos ($\ell = 1$ o $2$) cuando el radio de búsqueda es limitado para equilibrar la información y el sesgo de censura.

5. Significado e Implicaciones

Este trabajo representa un avance significativo en la ecología de poblaciones y el muestreo de distancia:

• Robustez Práctica: Proporciona a los ecólogos una herramienta validada para estimar densidades en condiciones de campo realistas (visibilidad limitada, terrenos complejos) sin sacrificar la precisión debido a la agregación espacial.
• Corrección de Sesgos: Evita la subestimación crónica de densidades en bosques densos o especies agrupadas, lo cual es crucial para la evaluación de la biodiversidad y la planificación de la conservación.
• Flexibilidad Metodológica: Al ofrecer tanto soluciones de momentos (rápidas) como de máxima verosimilitud (precisas), el estudio permite a los investigadores elegir el enfoque adecuado según la disponibilidad de recursos computacionales y la complejidad de los datos.

En conclusión, el estudio establece que para el análisis de datos de distancia truncados en poblaciones naturales (que raramente son aleatorias), el estimador de máxima verosimilitud basado en la Distribución Binomial Negativa es la opción óptima, ofreciendo un equilibrio superior entre precisión, robustez y manejo de la censura.