Inferring resource selection and utilization distributions from irregular and error-prone animal tracking data

Sintesi Tecnica: Inferenza delle Distribuzioni di Selezione delle Risorse e di Utilizzo da Dati di Tracciamento Animale Irregolari e Soggetti a Errori

Problematica
Comprendere la distribuzione degli animali e informare le strategie di conservazione dipende dalla quantificazione accurata della selezione dell'habitat e dalla derivazione delle distribuzioni di utilizzo (UD) dai dati di telemetria. I metodi tradizionali, come le Funzioni di Selezione delle Risorse (RSF) e le Funzioni di Selezione degli Step (SSF), spesso assumono intervalli di campionamento regolari e un errore di misurazione trascurabile. Tali assunzioni sono frequentemente violate nei sistemi marini, dove i dati vengono raccolti tramite sistemi Argos o Fastloc GPS, caratterizzati da intervalli di campionamento irregolari e un'incertezza significativa della posizione.

La pratica corrente impiega tipicamente un approccio a "due fasi": prima, il filtraggio dei dati grezzi per correggere l'errore di misurazione e imputare i valori mancanti (spesso utilizzando modelli a spazio di stato come i cammini casuali correlati), e in secondo luogo, l'adattamento di modelli di selezione dell'habitat alle posizioni corrette. Questa procedura disaccoppiata non riesce a propagare l'incertezza dalla fase di filtraggio nell'inferenza ecologica, producendo potenzialmente stime distorte dei parametri di selezione dell'habitat e UD imprecise. Inoltre, gli standard modelli di diffusione di Langevin guidati dall'habitat, che offrono un quadro a tempo continuo per collegare le decisioni di movimento locale all'uso dello spazio su larga scala, hanno storicamente avuto difficoltà a incorporare l'errore di misurazione quando le covariate dell'habitat dipendono da posizioni reali non osservate.

Metodologia
Gli autori propongono un quadro unificato a stadio singolo che integra un modello di diffusione di Langevin guidato dall'habitat con una formulazione a spazio di stato per gestire simultaneamente l'errore di misurazione e l'irregolarità temporale.

1. Modello di Movimento di Langevin: Il movimento dell'animale è modellato come un processo di diffusione di Langevin sottosmorzato. La distribuzione stazionaria del processo di posizione, $\pi$, è definita come una Funzione di Selezione delle Risorse (RSF) dipendente dalle covariate spaziali. Ciò garantisce che la Distribuzione di Utilizzo (UD) a lungo termine sia strettamente proporzionale alla RSF. La dinamica è governata da equazioni differenziali stocastiche (SDE) che coinvolgono un termine di attrito, rumore Browniano e un drift ambientale guidato dal gradiente della superficie del potenziale logaritmico ($\nabla \log \pi$).
2. Modello di Errore di Misurazione: Le posizioni osservate sono trattate come realizzazioni rumorose delle vere posizioni latenti, modellate tramite un processo gaussiano di osservazione. Per i dati Argos, la covarianza dell'errore è derivata dagli ellissi di errore forniti; per il Fastloc GPS, viene utilizzata un'assunzione di errore circolare.
3. Inferenza tramite Approssimazione di Laplace e TMB: La sfida centrale è che le covariate dell'habitat sono funzioni delle vere posizioni latenti (variabili latenti). Per affrontare questo problema, gli autori utilizzano il framework Template Model Builder (TMB). Utilizzano l'approssimazione di Laplace per integrare sopra lo spazio ad alta dimensione delle vere posizioni e velocità latenti. Fondamentalmente, questa implementazione estrae i valori delle covariate e calcola i gradienti dai dati raster durante il processo di ottimizzazione, permettendo al modello di tenere conto dell'incertezza delle covariate dipendente dalle variabili latenti. Ciò consente un'efficiente stima di massima verosimiglianza (MLE) tramite differenziazione automatica.
4. Vincoli Spaziali (Caso di Studio Narvalo): Nell'applicazione ai dati dei narvali, gli autori incorporano vincoli spaziali direttamente nella verosimiglianza tramite termini di penalità. Viene applicata una penalità alla distanza al quadrato delle posizioni latenti dall'acqua per evitare che il modello stimi posizioni sulla terraferma, mentre penalità aggiuntive su velocità e parametri di scala assicurano il realismo biologico.

Contributi Chiave

• Quadro Unificato: Il documento presenta la prima implementazione TMB di un modello a spazio di stato capace di gestire covariate che dipendono da variabili latenti. Ciò consente la stima simultanea dei parametri di movimento, dei coefficienti di selezione dell'habitat e delle traiettorie reali senza disaccoppiare la correzione dell'errore dall'inferenza ecologica.
• Efficienza Computazionale: Combinando l'approssimazione di Laplace con la differenziazione automatica in TMB, il metodo raggiunge un'inferenza di massima verosimiglianza rapida e scalabile, rendendo possibile l'adattamento di modelli complessi a grandi dataset (ad esempio, 25.000 osservazioni per run di simulazione) dove gli approcci basati sul campionamento (come MCMC) sarebbero computazionalmente proibitivi.
• Implementazione Open Source: Gli autori forniscono un pacchetto R open-source (langevinSSM) per simulare e adattare il modello, facilitando la riproducibilità e l'adozione da parte della comunità dell'ecologia del movimento.

Risultati

• Studio di Simulazione: Il Langevin SSM ha costantemente superato il metodo tradizionale a due fasi.
  • Riduzione del Bias: Il metodo a due fasi ha sistematicamente sottostimato la forza della selezione dell'habitat, con stime distorte verso lo zero anche in presenza di basso errore di misurazione. Al contrario, il Langevin SSM ha recuperato il segno e l'entità dei parametri di selezione con un bias sostanzialmente minore, anche con il 50% di errore di misurazione e alti livelli di dati mancanti.
  • Copertura: Il metodo a due fasi non ha fornito intervalli di confidenza validi (copertura 0%) per i parametri di selezione in presenza di errore moderato o elevato, mentre il Langevin SSM ha mantenuto una copertura tra l'85% e il 97%.
  • Recupero della Traiettoria: Il Langevin SSM ha recuperato traiettorie quasi identiche ai veri percorsi simulati, mentre il metodo a due fasi ha mantenuto un rumore significativo.
  • Distribuzione di Utilizzo: Il Langevin SSM ha preservato la vera UD (alta affinità di Bhattacharyya), mentre il metodo a due fasi ha prodotto UD distorte.
• Caso di Studio del Narvalo: Applicato ai dati di telemetria dei narvali in Qikiqtaaluk, Canada:
  • Selezione dell'Habitat: L'approccio unificato ha identificato una forte preferenza per le acque profonde (coefficiente stimato $\hat{\beta}_1 = -3.1$), mentre il metodo a due fasi ha prodotto un segnale molto più debole e attenuato ($\hat{\beta}_1 = -1.1$).
  • Stabilità dei Parametri: Il metodo a due fasi ha prodotto stime implausibilmente elevate per i parametri di velocità e persistenza (ad esempio, stime di velocità che raggiungevano i 522.420 km/h), indicando instabilità. Il Langevin SSM ha prodotto stime biologicamente plausibili coerenti con il noto comportamento dei narvali.
  • Correzione Spaziale: Il modello unificato ha con successo spostato un numero sostanziale di posizioni "terra" grezze nell'acqua tramite la sua struttura di penalità, mentre il metodo a due fasi ha mantenuto tutti i punti errati sulla terraferma.

Significatività e Rivendicazioni
Gli autori affermano che il loro approccio affronta sfide di lunga data nell'ecologia del movimento riguardanti l'errore di misurazione e l'irregolarità temporale. Unificando le fasi di filtraggio e inferenza, il metodo previene il bias di attenuazione inerente alle procedure a due fasi, portando a stime più accurate della selezione dell'habitat e delle distribuzioni di utilizzo. Il documento sostiene che questo framework sia applicabile a una vasta gamma di taxa e ambienti, particolarmente nei sistemi marini dove la qualità dei dati è spesso compromessa. Gli autori notano che, sebbene il metodo assuma una relazione lineare tra le covariate e la selezione (e la stazionarietà), esso fornisce una base computazionalmente efficiente e flessibile per futuri estensioni, come le covariate tempo-varianti o schemi di discretizzazione più complessi per gestire ampi gap temporali. Lo studio enfatizza che stimare congiuntamente il movimento e la selezione dell'habitat è intrinsecamente superiore al disaccoppiamento, poiché la selezione dell'habitat influenza fondamentalmente la dinamica del movimento.