Bayesian inference in line transects with double count sampling and imperfect on-line detection

Abstract

For the management and conservation of wild animal populations it is fundamental to know its abundance. However, if imperfect detection, a very common phenomenon in field counts, is ignored, abundance will be underestimated. We show that Bayesian hierarchical models for double observer distance sampling data are capable of simultaneously estimating abundance and detection probabilities and propose a simple model where detection probabilities are modeled as logit or probit regressions of distance-to-line and give its implementation in BUGS code. With a simulation study we verify empirically that double observer information increases the precision in abundance estimates by about 30% when compared with estimates from distance data only. We further verify that the model is capable to correctly estimate observer-specific detection probability, but underestimates abundance by 12% on average. We also apply an extension of these models to a population of loon (QUANG and BECKER, 1997; URL:http://www.jstor.org/stable/1400405.1997). Our estimate of 154 (posterior mean) was much higher than the estimated 99 individuals reported by QB although other model parameters are similar. Some new model-specific goodness-of-fit diagnostics are proposed and applied.Conhecer a abundância absoluta de populações animais é primordial para seu manejo e sua conservação. Porém, estimativas de abundância, que ignoram a detecção imperfeita dos indivíduos presentes nas áreas, resultam em subestimativas. Modelos hierárquicos com uma abordagem bayesiana, que fazem uso de dados de distâncias com a informação do segundo observador permitem estimar simultaneamente abundância e detectabilidade. Propomos uma alternativa de implementação simples, usando dados aumentados e simulação de Monte Carlo com Cadeia de Markov (mcmc). As probabilidades de detecção são modeladas por regressões logit e probit em função das distâncias aos indivíduos detectados. Validamos nossos modelos com amostras simuladas de uma população fictícia de tamanho conhecido e com funções de detectabilidade distintas. Implementamos novos recursos de diagnósticos para goodness-of-fit dos modelos aos dados. A complementação dos dados de distância com dados de um segundo observador, aumentou a precisão da estimativa de abundância em 29,6% com relação ao uso exclusivamente dos dados de distância. O melhor modelo, M5, estima corretamente os valores g(0), porém a abundância é subestimada em 12% considerando-se a média da distribuição como estimativa pontual. Também aplicamos o modelo a uma população de gansos Loon descrita e analisada em Quang and Becker (1997). Nossa estimativa de 154 loons é maior que a estimativa de 99 indivíduos reportada em QB. O diagnosticos de goodness-of-fit, no entanto, indicam que o modelo é adequado. O estudo simulado sugere que a população seja ainda maior. Modelos hierárquicos integrando amostras de distância com dados de marcação e recaptura permitem estimar simultaneamente abundância e curvas de detecção. A modelagem das probabilidades de detecção por regressão logit ou probit, permite flexibilidade para ajuste de curvas não-convencionais com potencial para inclusão de outras covariáveis. Apesar da estimativa de curva de detectabilidade para ambos os observadores não ser o objetivo mais relevante do trabalho, os modelos propostos lidam com a problemática do viés de percepção de tal forma a fornecer uma estimativa de abundância com bastante precisão.