Suivi des animaux avec des particules – Blog de méthodes

Post prévu par Edward Lavender, Andreas Scheeii, Carlo Albert, Stamisław W. Biber, James Thorburn, Sophee Smout, Helen Moor.

C’est le matin sur la côte ouest de l’Écosse. Dans le Firth de Lorn, l’eau bleu profonde scintille au début du soleil. En se dirigeant vers le sud, je regarde à travers la mer, en prenant les montagnes à neige au-delà. Deux cents mètres en dessous, je sais que le paysage marin est tout aussi robuste. Nous atteignons notre destination. L’ancre du navire est déployée, les lignes de pêche sont appâtées et je les regarde se glisser dans les profondeurs. Il y a un moment de silence à réfléchir. Soudain, une tige plonge et l’équipe entre en action. C’est le temps.

C’est le cadre qui a inspiré notre récent papiers de suivi des animaux. Depuis des années, nous suivons le Skate de clapet en danger critique (Dipturus intermédiaire) en Écosse. Autrefois largement distribué dans le nord-ouest de l’Europe, le patin à clapet a été pêché presque à l’extinction. La côte ouest de l’Écosse est devenue un refuge critique et un Zone marine protégée a été désigné dans la région pour la conservation du patin. Les questions rencontrées par les chercheurs dans ces situations sont simples. Où vont les animaux? Combien de temps passent-ils dans différents domaines? Et comment pouvons-nous tirer parti de ces informations pour la conservation?

En Écosse, Nous attrapons du patin via la tige et le rouleau, prenez photographiesconduire Évaluations de la santé et étiqueter les individus utilisant des dispositifs de suivi électronique, en particulier émetteurs acoustiques et balises d’archives. Ce processus fournit des données inestimables Soutenir la conservation du patin. Les émetteurs acoustiques libèrent des «pings» toutes les deux minutes qui sont enregistrés par des hydrophones sous-marins statiques lorsque le patin se déplace dans la plage. Les balises d’archives enregistrent des profondeurs individuelles à intervalles réguliers.

Une composante centrale de nos recherches consiste à développer des méthodes d’intégration qui tirent parti de ces types d’ensembles de données de suivi des animaux pour estimer les emplacements individuels, qui ne sont pas directement observés. Ces estimations fournissent une base pour les études sur les mouvements individuels, les préférences de l’habitat, les interactions sociales et les exigences de conservation.

Tout est un peu louche

Il s’avère que ce n’est pas si facile. En fait, Nous travaillons depuis des années sur ce problème et Nouvelles avenues de recherche Continuez à développer.

Dans les systèmes de télémétrie acoustique, l’approche conventionnelle a été d’appliquer des méthodes heuristiques: en utilisant des détections, nous interpolons des emplacements «pseudo» entre les hydrophones, puis lissons ces positions sur l’espace pour générer des marais thermiques. Une autre option consiste à formuler un modèle statistique («État-espace») pour les emplacements d’un animal à travers le temps, puis à effectuer une inférence pour ce modèle. Cette approche nous permet de tirer parti de nos connaissances biologiques et d’intégrer divers ensembles de données (tels que les détections et les observations en profondeur) dans les analyses. Le modèle représente les mouvements individuels et comment les observations surviennent, subordonnées à l’emplacement de l’individu. Le processus d’inférence (ou «ajustement du modèle») exploite ensuite les données et ces contingences pour déduire les emplacements individuels et quantifier l’incertitude.

Évolution à la plage

Divers algorithmes d’inférence existent. Les algorithmes de filtrage sont une option et dans notre Méthodes document Nous avons développé l’utilisation de filtres à particules pour le suivi des animaux. Voici l’intuition.

L’objectif est d’estimer les emplacements d’un animal dans le temps. Nous n’observons pas exactement les emplacements, nous représenterons donc nos connaissances en utilisant des distributions de probabilité. Et nous allons construire une image de ces distributions à l’aide de particules. Les particules sont comme des grains de sable. Si vous en avez assez, vous pouvez représenter des formes compliquées. Dans un filtre de particules, nous échantillons séquentiellement les particules (emplacements) de manière à ce que les emplacements qui sont plus probables, compte tenu des données, soient échantillonnés plus fréquemment que ceux qui sont peu probables. Ce processus génère des tas de particules dans les zones où l’animal est susceptible d’avoir été localisé et moins de particules ailleurs.

C’est un processus d’évolution aveugle et ramifiant par sélection naturelle. Pensez aux particules pendant un moment non pas comme des positions, mais comme des individus dans une population de poissons hypothétiques qui évolue. Le filtre comprend une série de points temporels, ou «générations», qui couvrent la durée de nos observations. À chaque point, chaque poisson hypothétique peut se déplacer dans un nouvel emplacement (imitant comment un animal étiqueté pourrait se comporter, s’il était à cet endroit). Les poissons qui se déplacent dans des emplacements compatibles avec les données ont une forme physique élevée et se reproduire; d’autres sont tués. À chaque instant, la distribution spatiale des poissons survivants se rapproche de notre distribution de probabilité pour l’emplacement d’un animal marqué. Ainsi nous grimpons Monter improbable.

Il y a un défi ici: l’évolution n’a pas de prévoyance. Cela signifie que les particules peuvent rester coincées dans les impasses évolutives, en particulier dans les paysages complexes. Peut-être que nos particules se répandent de deux manières autour d’une île, dont une seule est finalement compatible avec les données. Le lissage des particules résout cela.

Le lissage, c’est comme l’élagage. Nous passons à travers nos séries chronologiques de particules, en coupant des impasses (et en forgeant occasionnellement de nouvelles connexions). Ce processus produit un ensemble d’échantillons de particules lissés qui incarnent toutes les informations du passé (recul) et L’avenir (prévoyance). Simulations Montrez que cette approche statistique surpasse les méthodes heuristiques courantes à tous les niveaux.

Pitter-crépiter

Nos packages Patter (R) et Patter.jl (Julia) implémenter les algorithmes. Les caractéristiques des clés incluent l’accessibilité, la flexibilité et la vitesse. La vitesse du package R provient du backend Patter.jl. Le couplage R et Julia est assez nouveau, et pas entièrement simple (!), Mais un domaine passionnant pour le développement de packages R Performant qui ne sacrifient pas l’accessibilité ou la flexibilité. Pour la télémétrie acoustique passive, Patte Wahoo.jl pour une autre option). Nous espérons que ce travail soutiendra la recherche sur l’écologie et la conservation de nombreuses espèces.

S’impliquer

Vous voulez en savoir plus? Découvrez les papiers (méthode, application), ou commencer avec les packages sur Girub. S’il te plaît tendre la main avec des requêtes!

Post édité par Swifenwe et Prayer Kanyile.