Modelo combinado captura-recaptura e transectos lineares: uma abordagem bayesiana

Abstract

Neste trabalho apresenta-se uma abordagem bayesiana para estimar a probabilidade de detectar um anirnal/objecto na distância zero, conhecida como go, utilizando o modelo cornbinado de captura-recaptura e transectos lineares (Alpizar-Jara e Pollock, 1999, Ern Marine Mammal Survey and Assessment Methods99-114 pp.). Um estimador para o tamanho da população pode ser enviesado se a heterogeneidade não for considerada na modelação das probabilidades de captura, relativa às características inerentes dos indivíduos que são difíceis de medir ou não observáveis. Este tipo de problema tem sido tradicionalmente e abordado mediante os modelos de captura-recaptura para populações fechadas, designados por Mh e Mth. esta tese formula-se um modelo generalizado combinado de captura-recaptura e transectos lineares para populações fechadas que incorpora heterogeneidade nas probabilidades de detecção relativa às características inerentes dos indivíduos. A probabilidade de detectar um indivíduo em cima da linha do transecto percorrido, é estimada admitindo que é menor ou igual a 1. Assume-se que a probabilidade de avistar um animal depende de características individuais. A heterogeneidade observável nas probabilidades de captura dos indivíduos na população é modelada através da regressão logística utilizando covariárieis tais como o sexo, a idade1, o tamanho do grupo em que o animal se encontra. A heterogeneidade não observável é modelada através de um efeito aleatório, utilizando a inferência bayesiana. O parâmetro go é estimado corno sendo uma média baseada na informação dos indivíduos como se estivessem na linha do transecto. O desempenho dos estimadores da probabilidade de um indivíduo ser observado na distância zero é analisado através de simulações11 realizadas no programa R, e comparada com as situações cm que apenas é modelada a heterogeneidade observável ou quando são modeladas ambas as heterogeneidades, observável e não observável. As distribuições a posteriori dos parâmetros que determinam a função de detecção são obtidas através do método de amostragem Gibbs através do método de Monte Carlo baseado em cadeias de Markov implementado no WINBUGS. Os resultados são ilustrados com dados reais da população de ungulados de montanha (Rupicapra p. pyrenaica) do Parque Nacional dos Perinéus (sul da França); ABSTRACT: This work presents a Bayesian approach to estimate the probability of an animal/object being detected on the transect line, known as go, using the combined line transect and capture-recapture model (Alpizar-.Jara and Pollock, 1999, ln Marine Mammal Survey and Assessmentl Methods, 99 114 pp.). An estimator for population size is generally be biased under the presence of heterogeneity in capture probabilities, relative to the inherent characteristics of the individuals. That sort of heterogeneity is difficult to measure because it is not observable. This kind of problem has been traditionally approached using capture-recapture models for dosed populations, designagnated by Mh and Mth. On this thesis it is formulated a generalized combined capture-recapture and line transect model used for closed populations that takes into account the heterogeneity in detection probability relative to the inherent characteristic of the individuals. The probability of sighting an animal (or an object) on the transect line, is estimated assuming that it is less or equal to 1. We assume that resighting probabilities depend on individual characteristics. Logistic regression in used to model observable heterogeneity in individual detection probabilities using covariates, such as sex, age, and group size. Non-observable heterogeneity is modelled as a random effect. Go is estimated as an average of individual based information as if each individual was on the center transect line. The performance of probability at distance zero estimators based on combined models is analyzed through simulation, using software R, and compared when only observable heterogeneity are modelled, and when both observable and no observable heterogeneity are modelled. The posterior distributions of the key parameters of the detection function were obtained using Gibbs sampling through Markov chain Monte Carlo implemented in WINBCGSI The results are illustrated by an example using chamois (Rupicapra p. pyrenaica) population from Cauterets, Parc National des Pyrénées (southern France).