Clase 8- Uso de Unmarked: Estimación de abundancia por transecto

En esta clase, exploraremos el uso de Unmarked para modelar la abundancia de especies a partir de datos recopilados mediante trasectos. Desde los fundamentos, explicaremos paso a paso cómo utilizar este paquete, cubriendo el proceso completo: desde el ajuste inicial del modelo hasta la selección, validación e interpretación de los resultados. También abordaremos la presentación de los datos para su inclusión en publicaciones científicas, asegurando un entendimiento completo y la capacidad de aplicar estos modelos de manera efectiva en contextos de investigación y divulgación científica.

library(unmarked)

data(pointtran)

ptUMF <- with(pointtran, {
    unmarkedFrameDS(y = cbind(dc1, dc2, dc3, dc4, dc5),
    siteCovs = data.frame(area, habitat),
    dist.breaks = seq(0, 25, by=5), survey = "point", unitsIn = "m")
    })

# Half-normal.
(fmp1 <- distsamp(~ 1 ~ 1, ptUMF))


Call:
distsamp(formula = ~1 ~ 1, data = ptUMF)

Density:
 Estimate    SE    z   P(>|z|)
     4.39 0.132 33.2 1.53e-241

Detection:
 Estimate     SE  z P(>|z|)
     2.28 0.0585 39       0

AIC: 384.5118

hist(fmp1, ylim=c(0, 0.07), xlab="Distance (m)")

# effective radius
sig <- exp(coef(fmp1, type="det"))
ea <- 2*pi * integrate(grhn, 0, 25, sigma=sig)$value # effective area
sqrt(ea / pi) # effective radius

[1] 13.57568

# detection probability
ea / (pi*25^2)

[1] 0.2948784

summary(fmp1)


Call:
distsamp(formula = ~1 ~ 1, data = ptUMF)

Density (log-scale):
 Estimate    SE    z   P(>|z|)
     4.39 0.132 33.2 1.53e-241

Detection (log-scale):
 Estimate     SE  z P(>|z|)
     2.28 0.0585 39       0

AIC: 384.5118 
Number of sites: 30
optim convergence code: 0
optim iterations: 53 
Bootstrap iterations: 0 

Survey design: point-transect
Detection function: halfnorm
UnitsIn: m
UnitsOut: ha