Aarhus Universitets segl

Modelberegninger

Modelberegninger

I de dele af de danske farvande, der ved de landsdækkende tællinger optælles fra fly vha. linjetransekttællinger efter Distance Sampling-metoden, kan tætheder og totale antal af udvalgte arter estimeres.

Det område, der optalte efter denne metode dækkede i 2020 et areal på 37.000 km2 af de indre danske farvande. I 2023 dækkedes Vesterhavet ud for Blåvandshuk og Vadehavet så (fuglebeskyttelsesområde F113 Sydlige Nordsø og marine dele af 57 Vadehavet), hvorfor det samlede modellerede areal dette år var ca. 42.500 km2 . Disse områder omfatter primært de åbne, marine områder, hvor det er praktisk umuligt at opsøge og tælle alle forekommende fugle. Af samme grund anvendes denne linjetransektmetode, som ud fra udsnit i form af forudbestemte transektlinjer, beregner totale antal for relevante arter.

Metoden tager udgangspunkt i, at observatører ikke kan registrere og identificere alle forekommende fugle, og at der er en aftagende sandsynlighed for, at en fugl bliver registreret, med stigende afstand fra flyets rute. Observatøren registrerer alle observationer i én af fire forud definerede afstandskategorier ud fra flyets optællingsrute. Det forudsættes, at observatøren har sit fokus på det transektbånd, der er tættest på flyet, og registrerer alle forekomster af fugle i dette. Efter endt optælling kan en såkaldt detektionsfunktion bestemmes. Den beskriver den faldende sandsynlighed for at se en given fugl med stigende afstand fra flyets optællingsrute, og ved hjælp af den funktion, kan arters eller artsgruppers totale antal og tætheder estimeres.

Optællinger foretaget efter denne metode gennemføres langs forud definerede transektlinjer. De er udlagt i det meste af de danske farvande som parallelle linjer. Waypoints langs linjerne kan overføres til GPSer, og flyets pilot kan navigere efter dem. Transekterne er som udgangspunkt udlagt med 5 km interval i de indre danske farvande. Metoden anvendes her til beregning af nationale totale antal rødstrubet lom/sortstrubet lom, havlit, ederfugl, sortand, fløjlsand, toppet skallesluger og alk/lomvie, men vil også kunne anvendes til en række andre arter. 

I tidligere NOVANA-rapporter er modellerede antal kun præsenteret fra landsdækkende midvinter- og fældefugletællinger. I denne rapport er der også foretaget modelberegninger for regionale tællinger, målrettet enkelte arter i et eller flere fuglebeskyttelsesområder. Det drejer sig om mallemuk i et område på ca. 6.300 km2 af Norske Rende, dvs. i tilknytning til fuglebeskyttelsesområde F126 (Skagerrak) samt lommer i et område på ca. 6.800 km2 i Ålborg Bugt, omkring Læsø og Anholt (primært F127 Nordvestlige Kattegat, men også de åbne marine områder i F2 og F15 fra Stensnæs i Østvendsyssel til Hevring Bugt ved Djursland). 

En kortfattet beskrivelse:

Metoden og beregningerne beskrives i detaljer af Buckland m.fl. (2015), og beregningerne er foretaget i R (R Core Team 2022) vha. metoden/scripts beskrevet af Miller m.fl. (2019). 

For hver art laves der en opgørelse over, hvor mange observationer den enkelte observatør har. Observatører der har under 2% af observationerne for den givne art filtreres fra. Dette gøres for at undgå for store forskelle i observerbias samt for at mindste de statistiske frihedsgrader for den beregnede detektionsfunktion. Efterfølgende beregnes en række forskellige detektionsfunktioner, hvori der kan indgå følgende kovariable: observatør, flokstørrelse, seastate (bølgehøjde) og/eller fuglenes adfærd. De forskellige modeller/funktioner vægtes op mod hinanden ved at beregne Akaike Information Critiria (AIC), hvor den laveste AIC værdi typisk repræsenterer funktionen med den mindste usikkerhed og dermed også den funktion, der vælges til at beregne det samlede antalsestimat.

Til sidst plottes detektionsfunktionerne med tilhørende beregnede estimater for arten. Desuden angives et konfidensinterval med en nedre grænse (benævnt LCL) og en øvre grænse (UCL), der beskriver den statistiske usikkerhed, der er på det beregnede estimat.

Referencer

  • Buckland, S., Rexstad, E., Marques, T. & Oedekoven, C. (2015). Distance sampling: Methods and applications. Springer.
  • Miller, D. L., Rexstad, E., Thomas, L., Marshall, L. & Laake, J. L. (2019). Distance sampling in r. Journal of Statistical Software, 89(1), 1–28. https://doi.org/10.18637/jss.v089.i01
  • R Core Team (2022). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org