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

Deze studie introduceert MiSSA, een nieuwe methode die gebaseerd is op multiple imputatie om de onderbenutting van reistijd in de geïntegreerde stapselectieanalyse (iSSA) te corrigeren en zo de nauwkeurigheid van habitatselectie-inschattingen, zelfs bij data met lage resolutie, aanzienlijk te verbeteren.

De kern

Hoe dieren echt reizen: Een nieuwe manier om hun sporen te volgen

Stel je voor dat je een dier volgt met een GPS-halsband, zoals een vos of een visser (een soort marter). De halsband slaat elke uur een punt op: "Hier was de vos om 12:00 uur" en "Hier was hij om 13:00 uur".

Het oude probleem: De rechte lijn is een leugen
Tot nu toe hebben wetenschappers vaak gedacht: "Oké, de vos zat om 12:00 hier en om 13:00 daar. Hij moet dus een rechte lijn hebben gelopen." Ze hebben de afstand tussen die twee punten gemeten alsof de vos een straal was die recht door de lucht vloog.

Maar dieren doen dat niet! Tussen 12:00 en 13:00 uur heeft de vos misschien een bosje in gedoken, een pad gevolgd, om een boom heen gelopen of even gestopt om te snuffelen. De echte route is een kronkelpad, veel langer dan de rechte lijn. Door alleen naar de rechte lijn te kijken, denken we dat het dier langzamer loopt dan het eigenlijk doet. Het is alsof je denkt dat je in 10 minuten naar de supermarkt loopt omdat je de rechte afstand op de kaart meet, terwijl je in werkelijkheid door smalle steegjes en omwegen bent gelopen.

De nieuwe oplossing: MiSSA (Meerdere Mogelijkheden)
De auteurs van dit paper, Shiori Takeshige en Yusaku Ohkubo, hebben een slimme nieuwe methode bedacht die ze MiSSA noemen. Ze gebruiken een trucje uit de statistiek dat lijkt op het invullen van ontbrekende puzzelstukjes.

In plaats van te denken aan één rechte lijn tussen twee punten, doet MiSSA het volgende:

1. Droomt van routes: Het computerprogramma bedenkt honderden mogelijke routes die het dier zou kunnen hebben gelopen tussen de twee bekende punten. Sommige routes zijn een beetje kronkelig, andere meer recht, maar allemaal plausibel.
2. Maakt kopieën: Het maakt 100 of 1000 verschillende versies van de reis van het dier, waarbij elke versie een andere mogelijke route toont.
3. Neemt het gemiddelde: Uiteindelijk kijkt het naar al die honderden versies samen en rekent het het gemiddelde uit.

Een creatieve analogie: De mistige bergpas
Stel je voor dat je een bergpas bekijkt in dichte mist. Je ziet alleen de start (A) en het einde (B) van de weg.

• De oude methode (iSSA) zegt: "De weg is een rechte lijn door de mist."
• De nieuwe methode (MiSSA) zegt: "We weten niet precies hoe de weg eruitziet, maar laten we 100 verschillende wegen bedenken die door de mist kunnen lopen. Misschien slingert hij links, misschien rechts. Als we al die wegen bij elkaar optellen, krijgen we een veel beter idee van hoe lang de weg echt is."

Waarom is dit belangrijk?
Dit klinkt misschien als een klein detail, maar het is cruciaal voor het beschermen van dieren:

• Habitatkeuze: Als we denken dat dieren langzaam lopen, denken we dat ze graag in een bepaald gebied verblijven. Als we weten dat ze eigenlijk snel door dat gebied heen rennen (omdat ze veel meer hebben gelopen dan we dachten), verandert dat onze conclusie.
• Veiligheid: Als dieren sneller reizen dan gedacht, kunnen ze sneller gevaarlijke plekken (zoals wegen) bereiken. Met de nieuwe methode kunnen we beter weten waar ze bescherming nodig hebben.
• Oude data: Veel oude data van dieren heeft een lage kwaliteit (alleen een punt per uur). Met MiSSA kunnen we die oude, "slechte" data toch goed gebruiken, alsof we de ontbrekende stukjes er slim bij hebben bedacht.

Conclusie
Deze studie laat zien dat door niet alleen naar de rechte lijn te kijken, maar door slim te gokken over alle mogelijke routes die een dier heeft kunnen nemen, we een veel eerlijker beeld krijgen van hoe dieren zich verplaatsen. Het is alsof we van een platte, saaie kaart overstappen op een 3D-landschap dat de echte avonturen van de dieren laat zien. Dit helpt ons om natuur en dieren beter te beschermen.

Technische samenvatting

Probleemstelling

De analyse van dierlijke beweging is cruciaal voor natuurbescherming en het begrijpen van ecologische processen. Een veelgebruikte methode hiervoor is de Integrated Step Selection Analysis (iSSA). Deze methode schat habitatselectie door de relatieve waarschijnlijkheid te modelleren dat een dier een bepaalde stap (beweging van locatie $t$ naar $t+\tau$) kiest, gebaseerd op omgevingsvariabelen en bewegingskernen (stap-lengte en draaihoek).

Een fundamentele beperking van de traditionele iSSA is echter dat deze ervan uitgaat dat dieren zich in een rechte lijn verplaatsen tussen twee opeenvolgende waarnemingspunten. Dit leidt tot een onderschatting van de werkelijke afgelegde afstand, vooral wanneer:

1. De temporale resolutie van de trackingdata laag is (grote intervallen tussen metingen).
2. De beweging van het dier tussen de metingen niet-lineair is (bijv. meanderend gedrag).
3. Er sprake is van "ontbrekende data" in de vorm van onwaargenomen locaties.

Hoewel hoge-resolutie trackers bestaan, zijn deze vaak onpraktisch voor kleine diersoorten of ethisch beperkt (gewicht van het apparaat). Bestaande imputatiemethoden voor bewegingsdata hebben eerder teleurgestelende resultaten opgeleverd, vaak omdat ze slechts één enkele imputatie gebruiken, wat de onzekerheid in de route niet adequately vastlegt.

Methodologie: MiSSA

De auteurs stellen een nieuwe methode voor: Multiple Imputation Step Selection Analysis (MiSSA). Deze methode integreert statistische technieken voor ontbrekende data (multiple imputatie) in het iSSA-raamwerk om de onzekerheid van de route tussen waarnemingspunten te modelleren.

Het proces verloopt als volgt:

1. Generatie van "Imputed Used Steps": In plaats van één rechte lijn tussen twee waarnemingen ($X_t$ en $X_{t+\tau}$), genereert de methode meerdere mogelijke paden.
   • Er wordt een loodrechte bissectrice getrokken tussen het start- en eindpunt.
   • Op deze lijn worden kandidaat-imputatiepunten gegenereerd (bijv. met een interval van 1 meter).
   • Mogelijke routes worden gereconstrueerd door het startpunt, een kandidaatpunt en het eindpunt te verbinden.
   • Voor elk pad worden de stap-lengte en draaihoek berekend.
   • Onwaarschijnlijke routes (bijv. die langer zijn dan een bepaalde drempel) worden verworpen.
2. Multiple Imputatie: Dit proces wordt $M$ keer herhaald (bijv. 100 tot 1000 keer), waarbij voor elke paar waarnemingen een set van $M$ verschillende "gebruikte stappen" wordt gegenereerd. Dit creëert $M$ verschillende datasets die de onzekerheid in de route weerspiegelen.
3. Conditionele Logistische Regressie: Voor elke van de $M$ datasets wordt een conditionele logistische regressie uitgevoerd om de coëfficiënten voor habitatselectie en bewegingsparameters te schatten.
4. Samenvoegen van Resultaten (Rubin's Rule): De schattingen uit de $M$ datasets worden samengevoegd volgens de regels van Rubin (1987). Dit omvat het berekenen van het gemiddelde van de parameters en het combineren van de variantie binnen en tussen de imputaties om een robuuste schatting en betrouwbaarheidsintervallen te verkrijgen.
5. Update van Bewegingsparameters: De geschatte coëfficiënten worden gebruikt om de parameters van de verdelingen voor stap-lengte (Gamma-verdeling) en draaihoek (von Mises-verdeling) te updaten, waardoor de "beschikbare stappen" (pseudo-absences) realistischer worden gegenereerd.

Belangrijkste Bijdragen

• Innovatieve Aanpak: De eerste toepassing van multiple imputatie specifiek ontworpen voor het oplossen van de route-onzekerheid in iSSA-modellen.
• Correctie van Bias: De methode adresseert systematisch de onderschatting van de afgelegde afstand die inherent is aan lineaire interpolatie in traditionele iSSA.
• Robuustheid bij Lage Resolutie: MiSSA maakt het mogelijk om nauwkeurigere bewegingsparameters af te leiden uit data met lage temporale resolutie (bijv. geolocators), wat de bruikbaarheid van historische datasets en datasets van kleine diersoorten vergroot.
• Open Source: De auteurs bieden code en data aan om de reproduceerbaarheid te waarborgen.

Resultaten

De auteurs hebben de prestaties van MiSSA vergeleken met traditionele iSSA via twee studies:

1. Simulatiestudie:

   • Opzet: Virtuele landschappen en bewegingspaden werden gegenereerd. De data werd vervolgens "downsampled" om lage resolutie te simuleren.
   • Vergelijking: MiSSA en iSSA werden getest op verschillende landschappen met variërende ruimtelijke autocorrelatie en onder verschillende waarheidsparameters (Gamma- en von Mises-verdelingen).
   • Uitkomst: MiSSA leverde in alle scenario's nauwkeurigere schattingen van de verwachte stap-lengte op dan iSSA.
     • iSSA onderschatte de verwachte waarde met ongeveer 15-25% (bijv. geschatte waarde ~84 vs. ware waarde 100).
     • MiSSA benaderde de ware waarde veel nauwkeuriger (bijv. geschatte waarde ~104).
     • De kwadratische fout (MSE) was consistent lager voor MiSSA.
   • Beperking: De nauwkeurigheid nam iets af bij zeer grote parameters (grote stap-lengtes), maar MiSSA bleef superieur aan iSSA.

2. Empirisch Casestudie (Vissers, Pekania pennanti):

   • De methode werd toegepast op bestaande trackingdata van een visser.
   • Resultaat: MiSSA schatte een aanzienlijk hogere verwachte stap-lengte (64,81) dan iSSA (53,48). Dit bevestigt dat het negeren van route-onzekerheid leidt tot significante onderschatting van de werkelijke beweging in real-world data.

Significantie en Toekomstperspectief

De studie toont aan dat het integreren van statistieken voor ontbrekende data in het iSSA-raamwerk essentieel is voor nauwkeurige bewegingsecologie.

• Natuurbescherming: Nauwkeurige schattingen van afgelegde afstand zijn cruciaal voor het identificeren van migratiecorridors, het beoordelen van habitatconnectiviteit en het kwantificeren van risico's (bijv. door wegen).
• Data-Integratie: MiSSA maakt het mogelijk om datasets met verschillende temporale resoluties (oud vs. nieuw, laag vs. hoog) beter te vergelijken, wat essentieel is voor meta-analyses en het gebruik van historische databases zoals Movebank.
• Toekomst: Hoewel de methode veelbelovend is, wijzen de auteurs op uitdagingen, zoals het optimaliseren van het bereik voor het genereren van kandidaat-paden bij zeer grote stap-lengtes en het valideren van habitatselectie-coëfficiënten bij extreme scenario's.

Kortom, MiSSA biedt een methodologische doorbraak die de betrouwbaarheid van bewegingsanalyses verhoogt zonder de interpretatiebaarheid van iSSA te verliezen, en is bij uitstek geschikt voor data met beperkte temporale resolutie.