🧬 biology

Evaluating multi-season occupancy models with autocorrelation fitted to heterogeneous datasets

Deze studie evalueert multi-seizoen bezettingsmodellen met autocorrelatie op heterogene datasets, waarbij wordt vastgesteld dat hoewel ze robuust zijn tegen overlap in covariaten en ongelijkmatige surveyfrequenties, ze lijden onder identificeerbaarheidsproblemen en bevooroordeelde voorspellingen produceren wanneer er ruimtelijke en temporele gegevensgaten aanwezig zijn.

Oorspronkelijke auteurs: André Luís Luza, Didier Alard, Frédéric Barraquand

Gepubliceerd 2026-07-20

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: André Luís Luza, Didier Alard, Frédéric Barraquand

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een mysterie probeert op te lossen: waar leven verschillende diersoorten, en hoe veranderen hun populaties? In de wereld van de ecologie gebruiken wetenschappers een speciaal hulpmiddel genaamd een "occupancy model" (bezettingsmodel) om dit te beantwoorden. Het is als een spelletje "Waar is Waldo?", maar in plaats van één persoon te zoeken, probeer je de verspreiding van duizenden vlinders over een heel land in kaart te brengen. Het lastige deel is dat je niet elke vlinder kunt zien, en soms kijk je op een plek en mis je ze, zelfs als ze er wel zijn. Dit wordt "imperfecte detectie" genoemd. Om een juist beeld te krijgen, moeten wetenschappers meestal dezelfde plek veelvuldig bezoeken om er zeker van te zijn. Maar in de echte wereld komt de meeste data van natuurliefhebbers en burgerwetenschappers die toevallig een vlinder spotten terwijl ze hun hond uitlaten of een wandeling maken. Deze "opportunistische" gegevens zijn rommelig: sommige plaatsen worden honderden keren bezocht, sommige slechts één keer, en enorme gebieden worden nooit bezocht. De grote vraag is: kunnen we deze rommelige, onsamenhangende gegevens gebruiken om een betrouwbare kaart te maken van waar soorten leven, of maakt het gebrek aan perfecte data de kaart nutteloos?

Dit artikel is als een grondige stresstest voor een nieuwe, chique versie van dat detective-hulpmiddel. De auteurs, een team van ecologen en statistici, wilden zien of een specifiek type model — één dat probeert de ontbrekende stukjes te "raden" door ervan uit te gaan dat nabijgelegen plaatsen en nabijgelegen jaren aan elkaar gelijk zijn — de rommelige realiteit van vlindergegevens aan kon. Ze keken niet alleen naar echte vlinders; ze bouwden een enorme digitale simulatie-laboratorium. Ze creëerden duizenden fictieve vlindertests met verschillende niveaus van chaos: sommige waarbij de tellingen perfect in balans waren, sommige die extreem ongelijkmatig waren (zoals een Poisson-verdeling, wat gewoon een deftige manier is om te zeggen: "meestal nul, soms een paar, zelden veel"), en sommige waarbij de gegevens geclusterd waren op specifieke plekken en tijdstippen, net als in het echte leven. Ze testten ook wat er gebeurde als de aanwijzingen die werden gebruikt om te raden waar vlinders leven, exact dezelfde aanwijzingen waren als die werden gebruikt om te raden hoe makkelijk ze te spotten zijn.

De resultaten waren een mix van goed nieuws en een ernstige waarschuwing. Het goede nieuws is dat het model verrassend robuust is. Het kon omgaan met de rommelige, ongelijkmatige aantallen bezoeken en zelfs met de verwarrende overlap van aanwijzingen zonder uit elkaar te vallen. Het slaagde erin het verschil te begrijpen tussen "de vlinder is er niet" en "we hebben hem gewoon niet gezien", zelfs toen de gegevens scheef verdeeld waren. Echter, het model liep tegen een muur aan wanneer de gegevens grote gaten vertoonden — grote gebieden of jaren waarin helemaal niet werd gekeken. In die gevallen raakte het model in de war. In plaats van een gedetailleerde kaart te tonen van waar de vlinders zich daadwerkelijk bevonden, begon het alles af te vlakken, waarbij het voorspelde dat de vlinders overal op een gemiddeld niveau aanwezig waren. Het was alsoan of de detective, niet in staat om genoeg aanwijzingen te vinden in een donkere kamer, besloot te gokken dat de verdachte in het midden van de kamer stond, ongeacht waar hij zich werkelijk bevond.

De auteurs ontdekten dat het model moeite had om de ware patronen van hoe dicht of ver vlinders in ruimte en tijd bij elkaar staan te "zien". Hierdoor waren de voorspellingen over de vlinderpopulatie in gebieden waar geen gegevens bestonden vaak bevooroordeeld en onbetrouwbaar, zelfs als de omliggende gebieden wel over voldoende gegevens beschikten. Toen ze dit testten op echte vlindergegevens uit de regio Nouvelle-Aquitaine in Frankrijk, werkte het model redelijk goed voor de gebieden met veel records, maar de parameters die beschrijven hoe vlinders bewegen en clusteren bleven vaag en moeilijk vast te stellen. Kortom, hoewel dit nieuwe hulpmiddel robuust genoeg is om met rommelige, ongelijkmatige gegevens om te gaan, kan het de gaten niet magisch opvullen als de gaten te groot zijn. Als de gegevens te versnipperd zijn, worden de voorspellingen van het model een beetje een wazig beeld, wat suggereert dat we nog steeds behoefte hebben aan meer zorgvuldige, gestructureerde gegevensverzameling om echt te begrijpen waar deze soorten zich verschuilen.

Technische Samenvatting: Evaluatie van Multi-seizoen Occupancy Modellen met Autocorrelatie op Heterogene Datasets

Probleemstelling
Occupancy-modellen die rekening houden met imperfecte detectie zijn standaard in de ecologie voor het voorspellen van soortdistributies. Echter, grootschalige naturalistische databases (bijv. burgerwetenschap) zijn vaak zeer heterogeen, gekenmerkt door single-visit data, ontbrekende observaties (ruimtelijke hiaten) en scheve verdelingen van survey-inspanning per locatie. Traditionele occupancy-modellen vereisen robuuste bemonsteringsontwerpen (herhaalde bezoeken binnen primaire gelegenheden) om parametrische identificeerbaarheid te waarborgen (het scheiden van bezettingsgraad $\psi$ van detectiekans $p$ ). Hoewel recente benaderingen voorstellen om ruimtelijke en temporele random effects te gebruiken om autocorrelatie te representeren als een substituut voor strikte replicatie ("fractional replication"), blijft het onduidelijk hoe deze modellen presteren wanneer ze worden toegepast op real-world datasets die gedomineerd worden door ontbrekende data, overlap van covariaten tussen de occupancy- en detectiesubmodellen, en spatiotemporele clustering van observaties.

Methodologie
De auteurs evalueerden een Bayesiaans multi-seizoen occupancy-model met ruimtelijke en temporele random effects (gebaseerd op Doser & Stoudt, 2024) met behulp van drie simulatiestudies en een empirische data-analyse.

Simulatieontwerp:
- Studie 1: Reproduceerde het baseline-ontwerp van Doser & Stoudt (2024), maar introduceerde sterkere ruimtelijke autocorrelatie (tragere ruimtelijke decay) om te testen of overschatting van de ruimtelijke decay-parameter ( $\phi$ ) de schattingen van de bezettingsgraad beïnvloedt.
- Studie 2: Verschoof van een Bernoulli-verdeeld survey-ontwerp naar een Poisson-verdeeld ontwerp om de scheve verdeling van surveys (inclusief nul-surveys) na te bootsen die voorkomt in vlinderdatasets. Deze studie introduceerde ook covariaat-overlap:
  - Scenario 2-1: Breedtegraad ( $L_i$ ) als een occupancy-covariaat.
  - Scenario 2-2: Volledige overlap van $L_i$ in zowel de occupancy- als de detectiemodellen.
  - Scenario 2-3: Partiële overlap van $L_i$ .
- Studie 3: Introduceerde spatiotemporele clustering om fenologie (temporele pieken) en observatorvoorkeuren (ruimtelijke "hotspots" van hoge inspanning) te simuleren. Dit omvatte scenario's met ontbrekende data (hiaten) zowel binnen als buiten deze clusters.
- Beoordeling: De auteurs beoordeelden de parametrische identificeerbaarheid door de posterior distributie gemiddelden te analyseren over 14.400 gesimuleerde datasets. De metrieken omvatten bias in occupancy-schattingen ( $\hat{\psi}_{it}$ ), Mean Squared Error (MSE) en contourplots van parametercombinaties (bijv. $\hat{\phi}$ vs. $\hat{\sigma}^2$ ) om lokale identificeerbaarheid of uitgerekte dichtheidsvormen te detecteren. Modelmisspecificatie werd ook getest door data te simuleren met een probit link en deze te fitten met een logit link.
Empirische Data-analyse:
- Het model werd toegepast op een heterogene dataset van 298.389 vlinderrecords uit de regio Nouvelle-Aquitaine (Frankrijk, 2000–2023), geaggregeerd in 1 km² rastercellen.
- Twee doelsoorten werden geanalyseerd: Polyommatus icarus (Blauwe vlinder) en Lycaena dispar (Grote Coppers).
- Analyses werden uitgevoerd op een subset ("Greater Bordeaux area") en de volledige regio om de prestaties te testen onder variërende datadichtheden en gatstructuren.
- Prior-posterior overlap (PPO) werd berekend om te evalueren of de data de posterior informeerden of dat de priors domineerden.

Belangrijkste Resultaten

Robuustheid tegen Heterogeniteit en Overlap: Het model toonde robuustheid tegenover scheve verdelingen van het aantal surveys (Poisson design) en covariaat-overlap tussen de occupancy- en detectiesubmodellen. In scenario's zonder ernstige datahiaten slaagde het model erin om de effecten van covariaten op occupancy en detectie te differentiëren, waarbij de occupancy-schattingen onbevooroordeeld bleven ten opteken van de werkelijkheid.
Impact van Spatiotemporele Gaten: Wanneer spatiotemporele gaten werden geïntroduceerd (Studie 3, Scenario's 3-2 en 3-3), vertoonde het model significante bias. Schattingen van de site-occupancy ( $\hat{\psi}_{it}$ ) waren bevooroordeeld richting het gemiddelde, dat op zichzelf werd overschat. Deze "pull toward the mean" trad op, zelfs in datarijke gebieden binnen de simulatie.
Identificatieproblemen:
- Ruimtelijke Parameters: De ruimtelijke decay-parameter ( $\phi$ ) en ruimtelijke variantie ( $\sigma^2$ ) vertoonden zwakke identificeerbaarheid. In scenario's met hoge ruimtelijke decay en lage variantie was de gezamenlijke posterior dichtheid uitgerekt. Het model schatte frequent een hoge $\phi$ (wat korte autocorrelatie-ranges impliceert), waardoor de ruimtelijke random effects effectief als ongestructureerde ruis werden behandeld.
- Temporele Parameters: Temporele autocorrelatie ( $\rho$ ) en variantie ( $\sigma^2_T$ ) werden consistent onderschat, wat leidde tot ongestructureerde temporele random effects.
- Gevolg: Deze identificatieproblemen voorkomden dat het model de invloed van datahiaten kon corrigeren. In plaats van kracht te lenen van naburige locaties, produceerde het model bijna constante voorspellingen voor niet-gesamplede locaties, wat de bevooroordeelde gemiddelde occupancy reflecteerde.
Empirische Bevindingen: In de empirische analyse produceerde het model zinvolle gemiddelde trends in occupancy voor de Greater Bordeaux subset, maar had het moeite met de volledige dataset. Parameter schattingen voor ruimtelijke en temporele autocorrelatie vertoonden een hoge prior-posterior overlap, wat aangeeft dat de data onvoldoende waren om de priors bij te werken. De ruimtelijke random effects duidden op korte-afstand autocorrelatie (of geen), en voorspellingen voor niet-gesamplede gebieden waren vlak.

Betekenis en Claims
Het artikel claimt dat hoewel multi-seizoen occupancy-modellen met ruimtelijke en temporele autocorrelatie robuust zijn tegen heterogene bemonsteringsinspanningen en covariaat-overlap, ze te maken hebben met praktische identificatieproblemen wanneer ze worden toegepast op datasets met ernstige spatiotemporele gaten.

De auteurs concluderen dat:

De "fractional replication" benadering (het gebruik van autocorrelatie als substituut voor herhaalde bezoeken) goed werkt wanneer datahiaten minimaal zijn en het bemonsteringsontwerp niet sterk geclusterd is.
Echter, in aanwezigheid van ernstige datahiaten en spatiotemporele clustering (gangbaar in opportunistische datasets), faalt het model in het correct schatten van de variantie- en autocorrelatieparameters.
Deze schattingsfouten besmetten de voorspellingen, waardoor de site-level occupancy regresseert naar een overschatte globale gemiddelde.
De auteurs beweren niet dat het model nutteloos is, maar waarschuwen dat de toepassing een zorgvuldige beoordeling van datahiaten en parametrische identificeerbaarheid vereist. Zij merken op dat het gebruik van informatieve priors of alternatieve modelstructuren (bijv. volledige Gaussische velden via INLA) de problemen in hun specifieke context niet volledig oploste, wat suggereert dat er fundamentele beperkingen bestaan bij het schatten van deze parameters vanuit ijle, heterogene data.

Technische Samenvatting: Evaluatie van Multi-seizoen Occupancy Modellen met Autocorrelatie op Heterogene Datasets

Meer zoals dit