Datos eBird
Victoria Escobar
2024-03-01
if (!requireNamespace("remotes", quietly = TRUE)) {
install.packages("remotes")
}
remotes::install_github("ebird/ebird-best-practices")## Skipping install of 'ebirdbestpractices' from a github remote, the SHA1 (b562653d) has not changed since last install.
## Use `force = TRUE` to force installationlibrary(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(rnaturalearth)
library(sf)## Linking to GEOS 3.11.2, GDAL 3.7.2, PROJ 9.3.0; sf_use_s2() is TRUE# file to save spatial data
gpkg_file <- "data/gis-data.gpkg"
dir.create(dirname(gpkg_file), showWarnings = FALSE, recursive = TRUE)
# political boundaries
# land border with lakes removed
ne_land <- ne_download(scale = 50, category = "cultural",
type = "admin_0_countries_lakes",
returnclass = "sf") |>
filter(CONTINENT %in% c("North America", "South America")) |>
st_set_precision(1e6) |>
st_union()## Reading layer `ne_50m_admin_0_countries_lakes' from data source
## `C:\Users\victo\AppData\Local\Temp\RtmpshvblZ\ne_50m_admin_0_countries_lakes.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 242 features and 168 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -180 ymin: -89.99893 xmax: 180 ymax: 83.59961
## Geodetic CRS: WGS 84# country boundaries
ne_countries <- ne_download(scale = 50, category = "cultural",
type = "admin_0_countries_lakes",
returnclass = "sf") |>
select(country = ADMIN, country_code = ISO_A2)## Reading layer `ne_50m_admin_0_countries_lakes' from data source
## `C:\Users\victo\AppData\Local\Temp\RtmpshvblZ\ne_50m_admin_0_countries_lakes.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 242 features and 168 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -180 ymin: -89.99893 xmax: 180 ymax: 83.59961
## Geodetic CRS: WGS 84# state boundaries for united states
ne_states <- ne_download(scale = 50, category = "cultural",
type = "admin_1_states_provinces",
returnclass = "sf") |>
filter(iso_a2 == "US") |>
select(state = name, state_code = iso_3166_2)## Reading layer `ne_50m_admin_1_states_provinces' from data source
## `C:\Users\victo\AppData\Local\Temp\RtmpshvblZ\ne_50m_admin_1_states_provinces.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 294 features and 121 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -180 ymin: -46.96289 xmax: 180 ymax: 83.11611
## Geodetic CRS: WGS 84# country lines
# downloaded globally then filtered to north america with st_intersect()
ne_country_lines <- ne_download(scale = 50, category = "cultural",
type = "admin_0_boundary_lines_land",
returnclass = "sf") |>
st_geometry()## Reading layer `ne_50m_admin_0_boundary_lines_land' from data source
## `C:\Users\victo\AppData\Local\Temp\RtmpshvblZ\ne_50m_admin_0_boundary_lines_land.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 390 features and 39 fields
## Geometry type: MULTILINESTRING
## Dimension: XY
## Bounding box: xmin: -141.0021 ymin: -55.114 xmax: 145.9402 ymax: 70.06482
## Geodetic CRS: WGS 84lines_on_land <- st_intersects(ne_country_lines, ne_land, sparse = FALSE) |>
as.logical()
ne_country_lines <- ne_country_lines[lines_on_land]
# states, north america
ne_state_lines <- ne_download(scale = 50, category = "cultural",
type = "admin_1_states_provinces_lines",
returnclass = "sf") |>
filter(ADM0_A3 %in% c("USA", "CAN")) |>
mutate(iso_a2 = recode(ADM0_A3, USA = "US", CAN = "CAN")) |>
select(country = ADM0_NAME, country_code = iso_a2)## Reading layer `ne_50m_admin_1_states_provinces_lines' from data source
## `C:\Users\victo\AppData\Local\Temp\RtmpshvblZ\ne_50m_admin_1_states_provinces_lines.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 581 features and 43 fields
## Geometry type: MULTILINESTRING
## Dimension: XY
## Bounding box: xmin: -139.0565 ymin: -38.0716 xmax: 174.4685 ymax: 78.68672
## Geodetic CRS: WGS 84# save all layers to a geopackage
unlink(gpkg_file)
write_sf(ne_land, gpkg_file, "ne_land")
write_sf(ne_countries, gpkg_file, "ne_countries")
write_sf(ne_states, gpkg_file, "ne_states")
write_sf(ne_country_lines, gpkg_file, "ne_country_lines")
write_sf(ne_state_lines, gpkg_file, "ne_state_lines")devtools::session_info()## ─ Session info ───────────────────────────────────────────────────────────────
## setting value
## version R version 4.3.3 (2024-02-29 ucrt)
## os Windows 11 x64 (build 22631)
## system x86_64, mingw32
## ui RTerm
## language (EN)
## collate Spanish_Colombia.utf8
## ctype Spanish_Colombia.utf8
## tz America/Bogota
## date 2024-03-01
## pandoc 3.1.1 @ C:/Program Files/RStudio/resources/app/bin/quarto/bin/tools/ (via rmarkdown)
##
## ─ Packages ───────────────────────────────────────────────────────────────────
## package * version date (UTC) lib source
## bslib 0.5.1 2023-08-11 [1] CRAN (R 4.3.1)
## cachem 1.0.8 2023-05-01 [1] CRAN (R 4.3.1)
## callr 3.7.3 2022-11-02 [1] CRAN (R 4.3.1)
## class 7.3-22 2023-05-03 [2] CRAN (R 4.3.3)
## classInt 0.4-10 2023-09-05 [1] CRAN (R 4.3.2)
## cli 3.6.1 2023-03-23 [1] CRAN (R 4.3.1)
## codetools 0.2-19 2023-02-01 [2] CRAN (R 4.3.3)
## crayon 1.5.2 2022-09-29 [1] CRAN (R 4.3.1)
## curl 5.0.1 2023-06-07 [1] CRAN (R 4.3.1)
## DBI 1.1.3 2022-06-18 [1] CRAN (R 4.3.1)
## devtools 2.4.5 2022-10-11 [1] CRAN (R 4.3.1)
## digest 0.6.31 2022-12-11 [1] CRAN (R 4.3.1)
## dplyr * 1.1.4 2023-11-17 [1] CRAN (R 4.3.2)
## e1071 1.7-13 2023-02-01 [1] CRAN (R 4.3.1)
## ellipsis 0.3.2 2021-04-29 [1] CRAN (R 4.3.1)
## evaluate 0.23 2023-11-01 [1] CRAN (R 4.3.2)
## fansi 1.0.4 2023-01-22 [1] CRAN (R 4.3.1)
## fastmap 1.1.1 2023-02-24 [1] CRAN (R 4.3.1)
## fs 1.6.2 2023-04-25 [1] CRAN (R 4.3.1)
## generics 0.1.3 2022-07-05 [1] CRAN (R 4.3.1)
## glue 1.6.2 2022-02-24 [1] CRAN (R 4.3.1)
## htmltools 0.5.5 2023-03-23 [1] CRAN (R 4.3.1)
## htmlwidgets 1.6.2 2023-03-17 [1] CRAN (R 4.3.1)
## httpuv 1.6.11 2023-05-11 [1] CRAN (R 4.3.1)
## httr 1.4.7 2023-08-15 [1] CRAN (R 4.3.1)
## jquerylib 0.1.4 2021-04-26 [1] CRAN (R 4.3.1)
## jsonlite 1.8.7 2023-06-29 [1] CRAN (R 4.3.1)
## KernSmooth 2.23-22 2023-07-10 [2] CRAN (R 4.3.3)
## knitr 1.45 2023-10-30 [1] CRAN (R 4.3.2)
## later 1.3.1 2023-05-02 [1] CRAN (R 4.3.1)
## lifecycle 1.0.4 2023-11-07 [1] CRAN (R 4.3.2)
## magrittr 2.0.3 2022-03-30 [1] CRAN (R 4.3.1)
## memoise 2.0.1 2021-11-26 [1] CRAN (R 4.3.1)
## mime 0.12 2021-09-28 [1] CRAN (R 4.3.0)
## miniUI 0.1.1.1 2018-05-18 [1] CRAN (R 4.3.1)
## pillar 1.9.0 2023-03-22 [1] CRAN (R 4.3.1)
## pkgbuild 1.4.2 2023-06-26 [1] CRAN (R 4.3.1)
## pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.3.1)
## pkgload 1.3.2 2022-11-16 [1] CRAN (R 4.3.1)
## prettyunits 1.2.0 2023-09-24 [1] CRAN (R 4.3.1)
## processx 3.8.1 2023-04-18 [1] CRAN (R 4.3.1)
## profvis 0.3.8 2023-05-02 [1] CRAN (R 4.3.1)
## promises 1.2.0.1 2021-02-11 [1] CRAN (R 4.3.1)
## proxy 0.4-27 2022-06-09 [1] CRAN (R 4.3.1)
## ps 1.7.5 2023-04-18 [1] CRAN (R 4.3.1)
## purrr 1.0.1 2023-01-10 [1] CRAN (R 4.3.1)
## R6 2.5.1 2021-08-19 [1] CRAN (R 4.3.1)
## Rcpp 1.0.10 2023-01-22 [1] CRAN (R 4.3.1)
## remotes 2.4.2 2021-11-30 [1] CRAN (R 4.3.1)
## rlang 1.1.1 2023-04-28 [1] CRAN (R 4.3.1)
## rmarkdown 2.25 2023-09-18 [1] CRAN (R 4.3.1)
## rnaturalearth * 1.0.1 2023-12-15 [1] CRAN (R 4.3.2)
## rstudioapi 0.15.0 2023-07-07 [1] CRAN (R 4.3.1)
## s2 1.1.6 2023-12-19 [1] CRAN (R 4.3.2)
## sass 0.4.7 2023-07-15 [1] CRAN (R 4.3.1)
## sessioninfo 1.2.2 2021-12-06 [1] CRAN (R 4.3.1)
## sf * 1.0-15 2023-12-18 [1] CRAN (R 4.3.2)
## shiny 1.7.4 2022-12-15 [1] CRAN (R 4.3.1)
## stringi 1.7.12 2023-01-11 [1] CRAN (R 4.3.0)
## stringr 1.5.0 2022-12-02 [1] CRAN (R 4.3.1)
## terra 1.7-71 2024-01-31 [1] CRAN (R 4.3.2)
## tibble 3.2.1 2023-03-20 [1] CRAN (R 4.3.1)
## tidyselect 1.2.0 2022-10-10 [1] CRAN (R 4.3.1)
## units 0.8-5 2023-11-28 [1] CRAN (R 4.3.2)
## urlchecker 1.0.1 2021-11-30 [1] CRAN (R 4.3.1)
## usethis 2.2.1 2023-06-23 [1] CRAN (R 4.3.1)
## utf8 1.2.3 2023-01-31 [1] CRAN (R 4.3.1)
## vctrs 0.6.5 2023-12-01 [1] CRAN (R 4.3.2)
## withr 3.0.0 2024-01-16 [1] CRAN (R 4.3.2)
## wk 0.9.1 2023-11-29 [1] CRAN (R 4.3.2)
## xfun 0.39 2023-04-20 [1] CRAN (R 4.3.1)
## xtable 1.8-4 2019-04-21 [1] CRAN (R 4.3.1)
## yaml 2.3.7 2023-01-23 [1] CRAN (R 4.3.0)
##
## [1] C:/Users/victo/AppData/Local/R/win-library/4.3
## [2] C:/Program Files/R/R-4.3.3/library
##
## ──────────────────────────────────────────────────────────────────────────────listas de verificación (donde anotamos todos los pájaros que vemos)
library(auk)## auk 0.7.0 is designed for EBD files downloaded after 2023-10-25.
## No EBD data directory set, see ?auk_set_ebd_path to set EBD_PATH
## eBird taxonomy version: 2023library(dplyr)
library(ggplot2)
library(gridExtra)##
## Attaching package: 'gridExtra'## The following object is masked from 'package:dplyr':
##
## combinelibrary(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(readr)
library(sf)
f_sed <- "C:/Users/victo/OneDrive - PUJ Cali/Documentos/Maestría/2. Proyecto aplicado/Replica datos eBird/ebd_US-GA_woothr_smp_relOct-2023/ebd_US-GA_woothr_smp_relOct-2023_sampling.txt"
checklists <- read_sampling(f_sed)
glimpse(checklists)## Rows: 1,120,132
## Columns: 31
## $ checklist_id <chr> "S78945522", "S100039674", "S7892023", "S789…
## $ last_edited_date <chr> "2021-04-13 15:28:08.442812", "2022-01-03 14…
## $ country <chr> "United States", "United States", "United St…
## $ country_code <chr> "US", "US", "US", "US", "US", "US", "US", "U…
## $ state <chr> "Georgia", "Georgia", "Georgia", "Georgia", …
## $ state_code <chr> "US-GA", "US-GA", "US-GA", "US-GA", "US-GA",…
## $ county <chr> "Monroe", "Monroe", "Chatham", "Chatham", "C…
## $ county_code <chr> "US-GA-207", "US-GA-207", "US-GA-051", "US-G…
## $ iba_code <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ bcr_code <int> 29, 29, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ usfws_code <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ atlas_block <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ locality <chr> "Rum Creek M.A.R.S.H. Project", "Rum Creek M…
## $ locality_id <chr> "L876993", "L876993", "L877616", "L877614", …
## $ locality_type <chr> "H", "H", "H", "H", "H", "H", "H", "H", "H",…
## $ latitude <dbl> 33.06119, 33.06119, 31.38881, 31.71668, 31.7…
## $ longitude <dbl> -83.87000, -83.87000, -80.21118, -80.43091, …
## $ observation_date <date> 1997-12-31, 1997-02-23, 1983-09-13, 1984-02…
## $ time_observations_started <chr> NA, NA, NA, NA, NA, NA, NA, "07:20:00", "15:…
## $ observer_id <chr> "obs1675368", "obs198993", "obs243631", "obs…
## $ sampling_event_identifier <chr> "S78945522", "S100039674", "S7892023", "S789…
## $ protocol_type <chr> "Historical", "Historical", "Incidental", "I…
## $ protocol_code <chr> "P62", "P62", "P20", "P20", "P20", "P20", "P…
## $ project_code <chr> "EBIRD", "EBIRD", "EBIRD", "EBIRD", "EBIRD",…
## $ duration_minutes <int> NA, NA, NA, NA, NA, NA, NA, 400, 120, NA, NA…
## $ effort_distance_km <dbl> NA, NA, NA, NA, NA, NA, NA, 64.374, 40.234, …
## $ effort_area_ha <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ number_observers <int> 1, NA, NA, NA, NA, NA, NA, 5, 15, NA, NA, NA…
## $ all_species_reported <lgl> TRUE, TRUE, FALSE, FALSE, FALSE, FALSE, FALS…
## $ group_identifier <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ trip_comments <chr> NA, NA, "Joel McNeal entering accepted recor…# Filtrar las listas de verificación con información de distancia
checklists_con_distancia <- checklists %>%
filter(!is.na(effort_distance_km))
# Crear un histograma
histograma_distancias <- ggplot(checklists_con_distancia, aes(x = effort_distance_km)) +
geom_histogram(binwidth = 10, fill = "blue", color = "black", alpha = 0.7) +
labs(title = "Distribución de Distancias Recorridas",
x = "Distancia Recorrida (km)",
y = "Frecuencia") +
theme_minimal()
# Mostrar el histograma
print(histograma_distancias)
las observaciones (donde anotamos todo lo que vimos, incluso si no vimos
nada).
f_ebd <- "C:/Users/victo/OneDrive - PUJ Cali/Documentos/Maestría/2. Proyecto aplicado/Replica datos eBird/ebd_US-GA_woothr_smp_relOct-2023/ebd_US-GA_woothr_smp_relOct-2023.txt"
observations <- read_ebd(f_ebd)
glimpse(observations)## Rows: 41,432
## Columns: 48
## $ checklist_id <chr> "G10000432", "G10001259", "G10002209", "G100…
## $ global_unique_identifier <chr> "URN:CornellLabOfOrnithology:EBIRD:OBS168581…
## $ last_edited_date <chr> "2023-04-16 08:18:20.744008", "2023-05-08 08…
## $ taxonomic_order <dbl> 27880, 27880, 27880, 27880, 27880, 27880, 27…
## $ category <chr> "species", "species", "species", "species", …
## $ taxon_concept_id <chr> "avibase-8E1D9327", "avibase-8E1D9327", "avi…
## $ common_name <chr> "Wood Thrush", "Wood Thrush", "Wood Thrush",…
## $ scientific_name <chr> "Hylocichla mustelina", "Hylocichla mustelin…
## $ exotic_code <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ observation_count <chr> "1", "2", "2", "2", "4", "1", "1", "2", "1",…
## $ breeding_code <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ breeding_category <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ behavior_code <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ age_sex <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ country <chr> "United States", "United States", "United St…
## $ country_code <chr> "US", "US", "US", "US", "US", "US", "US", "U…
## $ state <chr> "Georgia", "Georgia", "Georgia", "Georgia", …
## $ state_code <chr> "US-GA", "US-GA", "US-GA", "US-GA", "US-GA",…
## $ county <chr> "Bibb", "Laurens", "Wilkes", "Bartow", "Jasp…
## $ county_code <chr> "US-GA-021", "US-GA-175", "US-GA-317", "US-G…
## $ iba_code <chr> NA, NA, NA, NA, "US-GA_3108", NA, NA, NA, NA…
## $ bcr_code <int> 27, 27, 29, 28, 29, 29, 29, 29, 29, 29, 29, …
## $ usfws_code <chr> NA, NA, NA, NA, "USFWS_315", NA, NA, NA, NA,…
## $ atlas_block <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ locality <chr> "Bondsview Rd., Macon", "Wendell Dixon Rd. D…
## $ locality_id <chr> "L1286522", "L19345770", "L23606711", "L1118…
## $ locality_type <chr> "H", "P", "P", "H", "H", "H", "H", "H", "H",…
## $ latitude <dbl> 32.78092, 32.65948, 33.83174, 34.16456, 33.1…
## $ longitude <dbl> -83.57094, -83.02279, -82.80653, -84.73369, …
## $ observation_date <date> 2023-04-15, 2023-04-15, 2023-04-15, 2023-04…
## $ time_observations_started <chr> "08:18:00", "10:00:00", "09:11:00", "08:00:0…
## $ observer_id <chr> "obsr139202,obsr617813,obsr198476,obsr267268…
## $ sampling_event_identifier <chr> "S133806681,S133806682,S133857533,S133858448…
## $ protocol_type <chr> "Traveling", "Traveling", "Traveling", "Trav…
## $ protocol_code <chr> "P22", "P22", "P22", "P22", "P22", "P22", "P…
## $ project_code <chr> "EBIRD", "EBIRD", "EBIRD", "EBIRD", "EBIRD",…
## $ duration_minutes <int> 57, 45, 102, 287, 170, 99, 85, 71, 32, 10, 4…
## $ effort_distance_km <dbl> 2.849, 9.656, 8.005, 5.404, 11.955, 5.501, 2…
## $ effort_area_ha <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ number_observers <int> 11, 2, 3, 12, 2, 3, 2, 2, 1, 1, 2, 2, 2, 2, …
## $ all_species_reported <lgl> TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TR…
## $ group_identifier <chr> "G10000432", "G10001259", "G10002209", "G100…
## $ has_media <lgl> FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, FA…
## $ approved <lgl> TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TRUE, TR…
## $ reviewed <lgl> FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, FA…
## $ reason <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ trip_comments <chr> NA, "Section of a 9.35 mile run I did today.…
## $ species_comments <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …checklists_shared <- read_sampling(f_sed, unique = FALSE)
# identify shared checklists
checklists_shared |>
filter(!is.na(group_identifier)) |>
arrange(group_identifier) |>
select(sampling_event_identifier, group_identifier)## # A tibble: 223,846 × 2
## sampling_event_identifier group_identifier
## <chr> <chr>
## 1 S19814680 G1000012
## 2 S133802656 G10000310
## 3 S132144928 G10000310
## 4 S132144792 G10000330
## 5 S133803635 G10000330
## 6 S133859929 G10000432
## 7 S133858934 G10000432
## 8 S133857533 G10000432
## 9 S133864820 G10000432
## 10 S133858448 G10000432
## # ℹ 223,836 more rowschecklists_unique <- auk_unique(checklists_shared, checklists_only = TRUE)
nrow(checklists_shared)## [1] 1249905nrow(checklists_unique)## [1] 1120132head(checklists_unique$checklist_id)## [1] "S78945522" "S100039674" "S7892023" "S7892189" "S7891643"
## [6] "S7891963"tail(checklists_unique$checklist_id)## [1] "G7637089" "G7637100" "G7637324" "G7637248" "G7637403" "G7640468"# importar uno de los conjuntos de datos de ejemplo de auk sin acumular taxonomía
obs_ex <- system.file("extdata/ebd-rollup-ex.txt", package = "auk") |>
read_ebd(rollup = FALSE)
# rollup taxonomy
obs_ex_rollup <- auk_rollup(obs_ex)
# identificar las categorías taxonómicas presentes en cada conjunto de datos
unique(obs_ex$category)## [1] "domestic" "form" "hybrid" "intergrade" "slash"
## [6] "spuh" "species" "issf"unique(obs_ex_rollup$category)## [1] "species"#sin resumen, hay cuatro observaciones
obs_ex |>
filter(common_name == "Yellow-rumped Warbler") |>
select(checklist_id, category, common_name, subspecies_common_name,
observation_count)## # A tibble: 4 × 5
## checklist_id category common_name subspecies_common_name observation_count
## <chr> <chr> <chr> <chr> <chr>
## 1 S44943108 intergrade Yellow-rumpe… Yellow-rumped Warbler… 1
## 2 S129851825 species Yellow-rumpe… <NA> 1
## 3 S129851825 issf Yellow-rumpe… Yellow-rumped Warbler… 1
## 4 S129851825 issf Yellow-rumpe… Yellow-rumped Warbler… 2#con resumen, se han combinado
obs_ex_rollup |>
filter(common_name == "Yellow-rumped Warbler") |>
select(checklist_id, category, common_name, observation_count)## # A tibble: 2 × 4
## checklist_id category common_name observation_count
## <chr> <chr> <chr> <chr>
## 1 S129851825 species Yellow-rumped Warbler 4
## 2 S44943108 species Yellow-rumped Warbler 1El código nos ayuda a seleccionar solo la información que necesitamos sobre Wood Thrush en Georgia, durante el mes de junio de los últimos 10 años, y solo las listas de verificación completas. ¡Es como tener un libro gigante y solo tomar las páginas importantes para nuestro estudio!
# filter the checklist data
checklists <- checklists |>
filter(all_species_reported,
between(year(observation_date), 2014, 2023),
month(observation_date) == 6)
# filter the observation data
observations <- observations |>
filter(all_species_reported,
between(year(observation_date), 2014, 2023),
month(observation_date) == 6)Estamos asegurándonos de que solo contamos las observaciones de aves que están en la tierra y no en el agua, usando un límite especial que muestra dónde está Georgia y considerando solo las observaciones cercanas. ¡Es como usar un filtro en un mapa para quedarnos solo con lo que nos interesa!
Para hacer esto, usamos un “polígono límite”. Es como una forma especial en el mapa que muestra exactamente dónde está Georgia y dónde termina. También decimos que solo queremos ver las observaciones que están dentro de 1 kilómetro de distancia de Georgia.
# convert checklist locations to points geometries
checklists_sf <- checklists |>
select(checklist_id, latitude, longitude) |>
st_as_sf(coords = c("longitude", "latitude"), crs = 4326)
# boundary of study region, buffered by 1 km
study_region_buffered <- read_sf("data/gis-data.gpkg", layer = "ne_states") |>
filter(state_code == "US-GA") |>
st_transform(crs = st_crs(checklists_sf)) |>
st_buffer(dist = 1000)
# spatially subset the checklists to those in the study region
in_region <- checklists_sf[study_region_buffered, ]
# join to checklists and observations to remove checklists outside region
checklists <- semi_join(checklists, in_region, by = "checklist_id")
observations <- semi_join(observations, in_region, by = "checklist_id")Estamos siendo cuidadosos y solo guardamos la información que todos nuestros amigos están de acuerdo en haber visto, para que todo sea claro y no haya confusión. ¡Es como asegurarnos de que todos estemos hablando de lo mismo!
# remove observations without matching checklists
observations <- semi_join(observations, checklists, by = "checklist_id")En resumen, aunque veas que alguien ha anotado un pájaro varias veces, si no sabes cuántas veces salieron en total, no puedes decir con certeza si ese pájaro es común o raro. ¡Es como si tus amigos salieran muchas veces, pero solo vieran ese pájaro en algunas de esas salidas!
El proceso de hacer esto se llama “relleno cero” de los datos. Usamos una herramienta llamada auk_zerofill() para juntar la lista de pájaros vistos y la lista completa de observación, y así obtenemos datos que nos dicen qué pájaros vieron y qué pájaros no vieron.
zf <- auk_zerofill(observations, checklists, collapse = TRUE)A veces, cuando tus amigos escriben las horas o las distancias que caminaron, pueden estar escritas de una manera que no es tan fácil de entender. Entonces, usamos otra herramienta para convertir esas horas en números más fáciles de manejar (de 0 a 24), poner la distancia en 0 si están quietos, y hasta calculamos la velocidad.
Y, oh, a veces tus amigos escriben una “X” en lugar de decir cuántos pájaros vieron. Así que, para que sea más fácil trabajar con los datos, convertimos esas “X” en un espacio en blanco especial llamado “NA”, que significa que no sabemos cuántos pájaros vieron.
# function to convert time observation to hours since midnight
time_to_decimal <- function(x) {
x <- hms(x, quiet = TRUE)
hour(x) + minute(x) / 60 + second(x) / 3600
}
# clean up variables
zf <- zf |>
mutate(
# convert count to integer and X to NA
# ignore the warning "NAs introduced by coercion"
observation_count = as.integer(observation_count),
# effort_distance_km to 0 for stationary counts
effort_distance_km = if_else(protocol_type == "Stationary",
0, effort_distance_km),
# convert duration to hours
effort_hours = duration_minutes / 60,
# speed km/h
effort_speed_kmph = effort_distance_km / effort_hours,
# convert time to decimal hours since midnight
hours_of_day = time_to_decimal(time_observations_started),
# split date into year and day of year
year = year(observation_date),
day_of_year = yday(observation_date)
)## Warning: There was 1 warning in `mutate()`.
## ℹ In argument: `observation_count = as.integer(observation_count)`.
## Caused by warning:
## ! NAs introducidos por coerciónCada persona cuenta los pájaros de manera diferente, y algunos caminan mucho más que otros. Entonces, para que todos podamos contar los pájaros de una manera más justa, decidimos poner algunas reglas.
Decimos que solo vamos a contar los pájaros cuando:
Caminamos menos de 6 horas. Caminamos menos de 10 kilómetros. No vamos muy rápido, menos de 100 km/h. Hay 10 personas o menos contando pájaros juntas. Estas reglas nos ayudan a asegurarnos de que todos estemos contando los pájaros de manera similar.
# additional filtering
zf_filtered <- zf |>
filter(protocol_type %in% c("Stationary", "Traveling"),
effort_hours <= 6,
effort_distance_km <= 10,
effort_speed_kmph <= 100,
number_observers <= 10)La gran mayoría de las listas de verificación están muy por debajo del límite de 6 horas, y más de la mitad tienen menos de una hora de duración.
ggplot(zf_filtered) +
aes(x = effort_hours) +
geom_histogram(binwidth = 0.5,
aes(y = after_stat(count / sum(count)))) +
scale_y_continuous(limits = c(0, NA), labels = scales::label_percent()) +
labs(x = "Duration [hours]",
y = "% of eBird checklists",
title = "Distribution of eBird checklist duration")
Conjunto de Entrenamiento (80%):
Es como el conjunto de preguntas que practicamos. Aquí, el modelo aprende cómo responder a diferentes situaciones. Usamos el 80% de nuestros datos para esto.
Conjunto de Pruebas (20%):
Este es nuestro conjunto de preguntas reales. Usamos el 20% restante de nuestros datos para ver qué tan bien puede hacer el modelo en preguntas que no ha visto antes.
zf_filtered$type <- if_else(runif(nrow(zf_filtered)) <= 0.8, "train", "test")
# confirm the proportion in each set is correct
table(zf_filtered$type) / nrow(zf_filtered)##
## test train
## 0.1988384 0.8011616Queremos hacer espacio y quedarnos solo con lo que realmente necesitamos.
checklists <- zf_filtered |>
select(checklist_id, observer_id, type,
observation_count, species_observed,
state_code, locality_id, latitude, longitude,
protocol_type, all_species_reported,
observation_date, year, day_of_year,
hours_of_day,
effort_hours, effort_distance_km, effort_speed_kmph,
number_observers)
write_csv(checklists, "data/checklists-zf_woothr_jun_us-ga.csv", na = "")Vale la pena explorar el conjunto de datos para ver con qué estamos trabajando. Este mapa utiliza datos SIG disponibles.
Los datos usando mapas y gráficos
Mapa del Sesgo Espacial:
Imagina que tienes un mapa gigante de Georgia y colocas un punto cada vez que alguien ve aves. Pero, ¡sorpresa!, hay muchos puntos alrededor de Atlanta, la ciudad más grande. Esto es lo que llamamos “sesgo espacial”. Significa que más personas en esa área informan aves que en otros lugares. Puede ser porque hay más observadores allí o porque es más fácil ver aves en la ciudad. Este mapa nos ayuda a entender cómo están distribuidos los datos en el espacio.
Histogramas y Gráficos de Frecuencia:
Ahora, pensemos en las personas que salen a observar aves. Hacemos gráficos que nos muestran cosas como:
¿A qué hora del día la mayoría de la gente sale? (histograma) ¿Cuánto tiempo pasan observando aves? (histograma) ¿Cómo cambia la probabilidad de ver una especie según cuánto tiempo y esfuerzo ponen? (gráfico de frecuencia de detección) Es como si estuviéramos estudiando cómo la gente busca tesoros. ¿Van más de día o de noche? ¿Cuánto tiempo buscan? ¿Hay lugares donde encuentran tesoros más fácilmente?
# load gis data
ne_land <- read_sf("data/gis-data.gpkg", "ne_land") |>
st_geometry()
ne_country_lines <- read_sf("data/gis-data.gpkg", "ne_country_lines") |>
st_geometry()
ne_state_lines <- read_sf("data/gis-data.gpkg", "ne_state_lines") |>
st_geometry()
study_region <- read_sf("data/gis-data.gpkg", "ne_states") |>
filter(state_code == "US-GA") |>
st_geometry()
# prepare ebird data for mapping
checklists_sf <- checklists |>
# convert to spatial points
st_as_sf(coords = c("longitude", "latitude"), crs = 4326) |>
select(species_observed)
# map
par(mar = c(0.25, 0.25, 4, 0.25))
# set up plot area
plot(st_geometry(checklists_sf),
main = "Wood Thrush eBird Observations\nJune 2014-2023",
col = NA, border = NA)
# contextual gis data
plot(ne_land, col = "#cfcfcf", border = "#888888", lwd = 0.5, add = TRUE)
plot(study_region, col = "#e6e6e6", border = NA, add = TRUE)
plot(ne_state_lines, col = "#ffffff", lwd = 0.75, add = TRUE)
plot(ne_country_lines, col = "#ffffff", lwd = 1.5, add = TRUE)
# ebird observations
# not observed
plot(filter(checklists_sf, !species_observed),
pch = 19, cex = 0.1, col = alpha("#555555", 0.25),
add = TRUE)
# observed
plot(filter(checklists_sf, species_observed),
pch = 19, cex = 0.3, col = alpha("#4daf4a", 1),
add = TRUE)
# legend
legend("bottomright", bty = "n",
col = c("#555555", "#4daf4a"),
legend = c("eBird checklist", "Wood Thrush sighting"),
pch = 19)
box()
¡Vamos a explorar la hora del día en la que la gente ve aves!
Picos de Detección:
Piensa en las aves como tesoros. Algunas aves son más fáciles de encontrar en ciertos momentos del día. Por ejemplo, temprano en la mañana, durante el coro del amanecer, es como el mejor momento para buscar tesoros.
Intervalos de 1 Hora:
Ahora, para entender cuándo la gente encuentra más aves, dividimos el día en pedacitos de 1 hora. Es como dividir el día en muchas partes pequeñas para ver en cuál de ellas es más probable encontrar tesoros.
Condiciones para Graficar:
No queremos hacer trampa, así que solo mostraremos las horas en las que al menos 100 personas han buscado tesoros. Esto asegura que nuestras estimaciones sean confiables.
# summarize data by hourly bins
breaks <- seq(0, 24)
labels <- breaks[-length(breaks)] + diff(breaks) / 2
checklists_time <- checklists |>
mutate(hour_bins = cut(hours_of_day,
breaks = breaks,
labels = labels,
include.lowest = TRUE),
hour_bins = as.numeric(as.character(hour_bins))) |>
group_by(hour_bins) |>
summarise(n_checklists = n(),
n_detected = sum(species_observed),
det_freq = mean(species_observed))
# histogram
g_tod_hist <- ggplot(checklists_time) +
aes(x = hour_bins, y = n_checklists) +
geom_segment(aes(xend = hour_bins, y = 0, yend = n_checklists),
color = "grey50") +
geom_point() +
scale_x_continuous(breaks = seq(0, 24, by = 3), limits = c(0, 24)) +
scale_y_continuous(labels = scales::comma) +
labs(x = "Hours since midnight",
y = "# checklists",
title = "Distribution of observation start times")
# frequency of detection
g_tod_freq <- ggplot(checklists_time |> filter(n_checklists > 100)) +
aes(x = hour_bins, y = det_freq) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = seq(0, 24, by = 3), limits = c(0, 24)) +
scale_y_continuous(labels = scales::percent) +
labs(x = "Hours since midnight",
y = "% checklists with detections",
title = "Detection frequency")
# combine
grid.arrange(g_tod_hist, g_tod_freq)
Como era de esperar, la detectabilidad del zorzal común es mayor
temprano en la mañana y disminuye rápidamente a medida que avanza el
día. La mayoría de los envíos de listas de verificación también se
realizan por la mañana; sin embargo, hay un número razonable de listas
de verificación entre las 6 a. m. y las 9 p. m. Es en esta región donde
las estimaciones de nuestro modelo serán más confiables.
Ahora, es como si estuviéramos estudiando a diferentes buscadores de tesoros. Algunos buscan durante solo un rato, mientras que otros buscan durante mucho más tiempo. Queremos ver cómo varía esto entre las personas que observan aves.
# summarize data by hour long bins
breaks <- seq(0, 6)
labels <- breaks[-length(breaks)] + diff(breaks) / 2
checklists_duration <- checklists |>
mutate(duration_bins = cut(effort_hours,
breaks = breaks,
labels = labels,
include.lowest = TRUE),
duration_bins = as.numeric(as.character(duration_bins))) |>
group_by(duration_bins) |>
summarise(n_checklists = n(),
n_detected = sum(species_observed),
det_freq = mean(species_observed))
# histogram
g_duration_hist <- ggplot(checklists_duration) +
aes(x = duration_bins, y = n_checklists) +
geom_segment(aes(xend = duration_bins, y = 0, yend = n_checklists),
color = "grey50") +
geom_point() +
scale_x_continuous(breaks = breaks) +
scale_y_continuous(labels = scales::comma) +
labs(x = "Checklist duration [hours]",
y = "# checklists",
title = "Distribution of checklist durations")
# frequency of detection
g_duration_freq <- ggplot(checklists_duration |> filter(n_checklists > 100)) +
aes(x = duration_bins, y = det_freq) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = breaks) +
scale_y_continuous(labels = scales::percent) +
labs(x = "Checklist duration [hours]",
y = "% checklists with detections",
title = "Detection frequency")
# combine
grid.arrange(g_duration_hist, g_duration_freq)
La mayoría de las listas de verificación duran una hora o menos y hay una rápida disminución en la frecuencia de las listas de verificación a medida que aumenta la duración. Pero aquí hay algo interesante: a medida que las búsquedas son más largas, hay una mayor probabilidad de encontrar al zorzal. Es como si las personas que buscan durante más tiempo tienen más posibilidades de encontrar a nuestro amigo el zorzal. Aunque generalmente, más tiempo significa más oportunidades de detectar aves, aquí notamos algo especial. Después de alrededor de 3.5 horas, la probabilidad de detectar al zorzal disminuye.
A continuación, esperamos a priori que cuanto mayor sea la distancia que recorra alguien, mayor será la probabilidad de encontrar al menos un Zorzal Bosque.
# summarize data by 1 km bins
breaks <- seq(0, 10)
labels <- breaks[-length(breaks)] + diff(breaks) / 2
checklists_dist <- checklists |>
mutate(dist_bins = cut(effort_distance_km,
breaks = breaks,
labels = labels,
include.lowest = TRUE),
dist_bins = as.numeric(as.character(dist_bins))) |>
group_by(dist_bins) |>
summarise(n_checklists = n(),
n_detected = sum(species_observed),
det_freq = mean(species_observed))
# histogram
g_dist_hist <- ggplot(checklists_dist) +
aes(x = dist_bins, y = n_checklists) +
geom_segment(aes(xend = dist_bins, y = 0, yend = n_checklists),
color = "grey50") +
geom_point() +
scale_x_continuous(breaks = breaks) +
scale_y_continuous(labels = scales::comma) +
labs(x = "Distance travelled [km]",
y = "# checklists",
title = "Distribution of distance travelled")
# frequency of detection
g_dist_freq <- ggplot(checklists_dist |> filter(n_checklists > 100)) +
aes(x = dist_bins, y = det_freq) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = breaks) +
scale_y_continuous(labels = scales::percent) +
labs(x = "Distance travelled [km]",
y = "% checklists with detections",
title = "Detection frequency")
# combine
grid.arrange(g_dist_hist, g_dist_freq)
La mayoría de las observaciones provienen de listas de verificación
cortas, es decir, donde las personas no caminan mucho, ¡menos de medio
kilómetro!Y aquí hay algo afortunado: dado que la mayoría de las listas
de verificación están en áreas pequeñas, podemos asumir que la
variabilidad en el hábitat (el tipo de entorno natural) en esas áreas no
es tan grande. Esto facilita nuestro trabajo al analizar y entender el
hábitat.
No entendí el segundo gráfico
Hay un aumento en la frecuencia de detección cuando se recorren mas kilometros.No entiendo porque cuando recorren menos que es la mayoria de las listas de verifcación hay una frecuencia de detección tan baja.
Lista de Verificación:
¿Qué es?: Es un registro de todas las especies de aves que se observan en un lugar y momento específicos.
Lista de Detección:
¿Qué es?: Registra solo las especies de aves que fueron detectadas de manera segura y confirmada.
A continuación hablaremos sobre el número de observadores:
Al principio, pensábamos que más amigos significaría más informes, descubrimos que hay un límite. Establecimos la regla de no considerar grupos con más de 30 amigos para que nuestros datos sean más confiables. ¡Así evitamos que los grupos muy grandes afecten nuestras conclusiones sobre las aves que están buscando!
# summarize data
breaks <- seq(0, 10)
labels <- seq(1, 10)
checklists_obs <- checklists |>
mutate(obs_bins = cut(number_observers,
breaks = breaks,
label = labels,
include.lowest = TRUE),
obs_bins = as.numeric(as.character(obs_bins))) |>
group_by(obs_bins) |>
summarise(n_checklists = n(),
n_detected = sum(species_observed),
det_freq = mean(species_observed))
# histogram
g_obs_hist <- ggplot(checklists_obs) +
aes(x = obs_bins, y = n_checklists) +
geom_segment(aes(xend = obs_bins, y = 0, yend = n_checklists),
color = "grey50") +
geom_point() +
scale_x_continuous(breaks = breaks) +
scale_y_continuous(labels = scales::comma) +
labs(x = "# observers",
y = "# checklists",
title = "Distribution of the number of observers")
# frequency of detection
g_obs_freq <- ggplot(checklists_obs |> filter(n_checklists > 100)) +
aes(x = obs_bins, y = det_freq) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = breaks) +
scale_y_continuous(labels = scales::percent) +
labs(x = "# observers",
y = "% checklists with detections",
title = "Detection frequency")
# combine
grid.arrange(g_obs_hist, g_obs_freq)
La mayoría de las listas de verificación tienen uno o dos observadores y
parece haber un aumento en la frecuencia de detección con más
observadores. Sin embargo, es difícil distinguir un patrón discernible
en el ruido aquí, probablemente porque hay muy pocas listas de
verificación con más de 3 observadores.