Skip to content

Latest commit

 

History

History
118 lines (101 loc) · 5.83 KB

README.md

File metadata and controls

118 lines (101 loc) · 5.83 KB
Raw

Spillningsinventering björn, Jämtlands och Västernorrlands län 2020

Detta bibliotek innehåller programkod och data som använts för populationsberäkningar av björn, baserat på spillningsinventeringen i Jämtlands och Västernorrlands län 2020. Koden är skriven i R och anropar programmet MARK genom gränssnittet RMark. Skriptet prepare_data.R sammanställer data och fördelar individer mellan länen efter den geografiska medelpunkten av deras funna spillningar, functions.R innehåller funktioner för modellanpassning.

Kort beskrivning av anpassade modeller

Eftersom ansträngningen var tydligt ojämn över inventeringsperioden undersöker vi endast modeller där fångstsannolikheten varierar med tidsperiod (kalendervecka). En sammanfattning av resultatet ges i nedanstående tabeller för hela inventeringsområdet samt separat för varje län. I tabellen namnges modellerna enligt den notation som används av RMark. Modellernas parametrar kan indelas i tre grupper pi, p och f0. Här anger f0 storleken hos den del av populationen som fångats 0 gånger. Notationen f0(sex) i samtliga modeller betyder att denna delats upp i separata parametrar för honor och hanar vilket är nödvändigt för att få separata populationsskattningar. Vidare bestämmer parametrarna p fångstsannolikheter, här anger time att en separat parameter skattas för varje kalendervecka, sex att det finns en (additiv) könseffekt och mixture att populationen delas in i två klasser (“lättfångad” och en “svårfångad”) för att kompensera för individuell heterogenitet i fångstsannolikhet. Gruppen pi förekommer endast i modeller med mixture (modeller av typ Mth2) och anger då hur stor andel av populationen som är svår respektive lättfångad, p(1) innebär att denna är samma för båda kön medan p(sex) innebär att andelen kan vara olika för könsgrupperna.

Resultat

library(tidyverse)
library(RMark)
source("functions.R")
data2020 <- read_csv("data/clean_data.csv")

Båda län

fit2020 <- data2020 %>% 
  filter(Kon != "Okänt") %>% 
  fit_models()
fit2020 %>% 
  select(Modell = model, dAICc, Hanar,  Honor, Total) %>% 
  knitr::kable(caption = "Tabell 1: Populationsskattningar för undersökta modeller 
               baserat på inventeringen i Jämtlands och Västernorrlands län 2020. 
               Modellerna är rangordnade efter Akaikes informationskriterium med den
               högst rankade modellen överst.")
Modell dAICc Hanar Honor Total
pi(sex)p(time + mixture)f0(sex) 0.0 537 (508, 577) 935 (886, 1000) 1472 (1394, 1555)
pi(1)p(time + mixture)f0(sex) 1.3 543 (513, 585) 929 (882, 991) 1472 (1393, 1555)
p(time + sex)f0(sex) 294.6 460 (449, 477) 813 (793, 839) 1273 (1246, 1300)
p(time)f0(sex) 301.3 469 (457, 486) 802 (784, 825) 1271 (1245, 1298)

Tabell 1: Populationsskattningar för undersökta modeller baserat på inventeringen i Jämtlands och Västernorrlands län 2020. Modellerna är rangordnade efter Akaikes informationskriterium med den högst rankade modellen överst.

Jämtlands län

fit2020_Z <- data2020 %>% 
  filter(Kon != "Okänt", LnNamn == "Jämtlands") %>% 
  fit_models()
fit2020_Z %>% 
  select(Modell = model, dAICc, Hanar,  Honor, Total) %>% 
  knitr::kable(caption = "Tabell 2: Populationsskattningar för undersökta modeller 
               baserat på inventeringen i Jämtlands län 2020. 
               Modellerna är rangordnade efter Akaikes informationskriterium med den
               högst rankade modellen överst.")
Modell dAICc Hanar Honor Total
pi(1)p(time + mixture)f0(sex) 0.0 355 (327, 396) 693 (642, 763) 1048 (965, 1138)
pi(sex)p(time + mixture)f0(sex) 0.1 350 (323, 389) 698 (645, 770) 1048 (966, 1137)
p(time + sex)f0(sex) 152.2 291 (280, 307) 589 (569, 616) 880 (853, 907)
p(time)f0(sex) 154.7 298 (286, 314) 581 (563, 604) 879 (853, 906)

Tabell 2: Populationsskattningar för undersökta modeller baserat på inventeringen i Jämtlands län 2020. Modellerna är rangordnade efter Akaikes informationskriterium med den högst rankade modellen överst.

Västernorrlands län

fit2020_Y <- data2020 %>% 
  filter(Kon != "Okänt", LnNamn == "Västernorrlands") %>% 
  fit_models()
fit2020_Y %>% 
  select(Modell = model, dAICc, Hanar,  Honor, Total) %>% 
  knitr::kable(caption = "Tabell 3: Populationsskattningar för undersökta modeller 
               baserat på inventeringen i Västernorrlands län 2020. 
               Modellerna är rangordnade efter Akaikes informationskriterium med den
               högst rankade modellen överst.")
Modell dAICc Hanar Honor Total
pi(1)p(time + mixture)f0(sex) 0.0 189 (179, 208) 251 (237, 273) 440 (414, 468)
pi(sex)p(time + mixture)f0(sex) 1.7 189 (178, 207) 251 (238, 274) 440 (414, 468)
p(time)f0(sex) 121.1 173 (168, 182) 229 (223, 239) 402 (392, 413)
p(time + sex)f0(sex) 121.8 171 (167, 181) 230 (224, 241) 401 (391, 412)

Tabell 3: Populationsskattningar för undersökta modeller baserat på inventeringen i Västernorrlands län 2020. Modellerna är rangordnade efter Akaikes informationskriterium med den högst rankade modellen överst.