Ajuste-dos-modelos-fluxo6-amostragem-por-distancia-estratificada-por-ano • distanceMonitoraflorestal

library(distanceMonitoraflorestal)

Fluxo 6 - Amostragem por distância estratificada por ano

Para obter as estimativas anuais de densidade continuaremos utilizando a abordagem do Fluxo 2, com amostragens sem repetição.

Carregando os dados

Aqui vamos trabalhar com os dados filtrados, sem repetições. O número de observações total foi de 55.

cutias_year <- filtrar_dados(
  nome_ucs == "resex_tapajos_arapiuns", 
  nome_sps == "dasyprocta_croconota",
  validacao_obs = "especie"
)

cutias_year_distance <- transformar_dados_formato_Distance(
  cutias_year,
  amostras_repetidas = FALSE)

cutias_year_distance

Plotando o histograma das frequências de ocorrência pela distância

Dados Globais

Plotando o histograma para os dados globais.

cutias_year_distance |> 
  tidyr::drop_na(distance) |> 
plotar_distribuicao_distancia_interativo(largura_caixa = 1)

Por Estrato

Plotando o histograma para cada ano.

2014

cutia_2014 <- cutias_year_distance |> 
  dplyr::filter(year == 2014)

cutia_2014 |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

**2015*

cutia_2015 <- cutias_year_distance |> 
  dplyr::filter(year == 2015)

cutia_2015 |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

2016

cutia_2016 <- cutias_year_distance |> 
  dplyr::filter(year == 2016)

cutia_2016 |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

2017

cutia_2017 <- cutias_year_distance |> 
  dplyr::filter(year == 2017)

cutia_2017 |> 
  tidyr::drop_na(distance) |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

2018

cutia_2018 <- cutias_year_distance |> 
  dplyr::filter(year == 2018)

cutia_2018 |> 
  tidyr::drop_na(distance) |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

2019

cutia_2019 <- cutias_year_distance |> 
  dplyr::filter(year == 2019)

cutia_2019 |> 
  tidyr::drop_na(distance) |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

2020

cutia_2020 <- cutias_year_distance |> 
  dplyr::filter(year == 2020)

cutia_2020|> 
  tidyr::drop_na(distance) |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

2021

cutia_2021 <- cutias_year_distance |> 
  dplyr::filter(year == 2021)

cutia_2021 |> 
  tidyr::drop_na(distance) |> 
  plotar_distribuicao_distancia_interativo(largura_caixa = 1)

Ajustando diferentes modelos para dados Globais

Para ajustar os modelos aos dados globais e estratificados, mantivemos a mesma distância de truncamento para os dados das cutias na Resex Tapajós-Arapiuns, de 10%, uma vez que a distrbuição dos dados é semelhante tanto nos dados globais como nas UCs analisadas.

Uniforme com termos de ajuste Cosseno e polinomial simples

# ajustando a função de detecção uniforme para um truncamento de 10% dos dados
cutias_distance_unif_year <- cutias_year_distance |>
  dplyr::filter(year != 2014) |> 
  dplyr::mutate(Region.Label = year) |> 
  ajustar_modelos_Distance(
    funcao_chave = "unif",
    truncamento = "10%")

Half-Normal sem termos de ajuste e com termos de ajuste Cosseno e Polinomial de Hermite

# ajustando a função de detecção half-normal para um truncamento de 10% dos dados
cutias_distance_hn_year <- cutias_year_distance |> 
  dplyr::filter(year != 2014) |> 
  dplyr::mutate(Region.Label = year) |> 
  ajustar_modelos_Distance(
    funcao_chave = "hn",
    truncamento = "10%")

Hazard-rate sem termos de ajuste e com termos de ajuste Cosseno e Polinomial de Hermite

# ajustando a função de detecção hazard-rate para um truncamento de 10% dos dados
cutias_distance_hr_year <- cutias_year_distance |> 
  dplyr::filter(year != 2014) |> 
  dplyr::mutate(Region.Label = year) |> 
  ajustar_modelos_Distance(
    funcao_chave = "hr",
    truncamento = "10%")

Comparando os modelos

Tabela com o resumo comparativo dos modelos

melhor_modelo_cutias_year <- selecionar_funcao_deteccao_termo_ajuste(
  cutias_distance_unif_year$Cosseno,
  cutias_distance_unif_year$`Polinomial simples`,
  cutias_distance_hn_year$`Sem termo`,
  cutias_distance_hn_year$Cosseno,
  cutias_distance_hn_year$`Hermite polinomial`,
  cutias_distance_hr_year$`Sem termo`,
  cutias_distance_hr_year$Cosseno,
  cutias_distance_hr_year$`Polinomial simples`
)

melhor_modelo_cutias_year

Gráficos de ajuste das funções de deteção às probabilidades de deteção

modelos_cutias_year <- gerar_lista_modelos_selecionados(
  cutias_distance_hn_year$Cosseno,
  cutias_distance_hr_year$`Sem termo`,
  cutias_distance_unif_year$Cosseno,
  cutias_distance_unif_year$`Polinomial simples`,
  cutias_distance_hn_year$`Sem termo`,
  nome_modelos_selecionados = melhor_modelo_cutias_year
)

plotar_funcao_deteccao_modelos_selecionados(modelos_cutias_year)

Teste de bondade de ajuste dos modelos e Q-Q plots

#criar uma lista com os modelos selecionados, na ordem de seleção
testar_bondade_ajuste(
  modelos_cutias_year,
  plot = TRUE,
  chisq = FALSE,
)

Aqui são gerados Q-Q plots que permitem avaliar a qualidade do ajuste dos modelos. E também uma tabela com os resultados do Carmér-von Mises, onde W é o valor do teste e p seu valor de significância. Nesse caso, quanto maior o valor de p, melhor o ajuste do modelo.

Avaliando as estimativas de Abundância e Densidade

Aqui, são resumidos os dados de taxa de encontro, abundância e densidade em três tabelas.

Área coberta pela Amostragem

gerar_resultados_Distance(
  dados = modelos_cutias_year,
  resultado_selecao_modelos = melhor_modelo_cutias_year,
  tipo_de_resultado = "area_estudo", 
  estratificacao = TRUE
)

Ábundância

resultado_abundancia <- 
gerar_resultados_Distance(
  dados = modelos_cutias_year,
  resultado_selecao_modelos = melhor_modelo_cutias_year,
  tipo_de_resultado = "abundancia", 
  estratificacao = TRUE
)

resultado_abundancia

resultado_abundancia |>
  dplyr::mutate(ano = as.integer(Regiao)) |> 
  dplyr::group_by(ano) |> 
  dplyr::summarise(n = sum(`Abundancia estimada`)) |> 
  ggplot2::ggplot() +
  ggplot2::aes(
    x = ano,
    y = n
  ) + 
  ggplot2::geom_line() +
  ggplot2::theme_minimal()

Densidade

resultados_densidade <- 
gerar_resultados_Distance(
  dados = modelos_cutias_year,
  resultado_selecao_modelos = melhor_modelo_cutias_year,
  tipo_de_resultado = "densidade", 
  estratificacao = TRUE
)

resultados_densidade

resultados_densidade |>
  dplyr::filter(Rotulo != "Total") |> 
  dplyr::mutate(ano = as.integer(Rotulo)) |> 
  ggplot2::ggplot() +
  ggplot2::aes(
    x = ano,
    y = `Estimativa de densidade`
  ) + 
  ggplot2::geom_line() +
  ggplot2::facet_wrap(facets = ggplot2::vars(Modelo)) +
  ggplot2::theme_minimal()

Ajustando modelos para cada estrato temporal (ano)

Half-Normal