PASO 1: Se deben cargar las siguientes paqueterias previamente instaladas en R:

library(chron) 
library(reshape)
library (vegan)
library(plotrix)
library(ggplot2)
library(maptools)

Luego se debe cargar el siguiente recurso el cual debe estar guardado previamente en la carpeta en el mismo proyecto en RStudio:

source("TEAM library 1.7.R") 

PASO 2: Se pueden cargar datos generados previamente en camtrapR, en Wild.ID, Excel u otro.

Por ejemplo:

datos <- read.csv(file="mamiferos.csv", sep= ",",h= T, stringsAsFactors= F)

Tabla 1. Se pueden observar los primeros 20 datos como (si se quieren ver todos los datos se podr´ía ejecutar la función View():

El formato de fecha debe ser “año/mes/dia” y la hora “hora:minuto:segundo”

NOTA: Al abrir la base en Excel, se modifica en automático el formato

datos <- fix.dta(datos)  # fijar formato de datos 

PASO 3: Se emplean las siguientes funciones para editar la base.

Por ejemplo, si en las fotos aparecieron personas o animales domésticos y se quieren eliminar de los análisis, se puede emplear la siguiente función:

datos <- droplevels(datos[datos$bin!="Homo sapiens", ]) 

Por ejemplo, si la base de datos contiene varios años y solo se quiere analizar uno en particular, por ejemplo el 2015, se pueden seleccionar con la siguiente función:

datos2015 <- datos[datos$Sampling.Event =="2015",] 

Si se quiere ver la identidad o nombre de las cámaras:

unique(datos2015$Sampling.Unit.Name)

## [1] "C1" "C2" "C3" "C4" "C5"

Si se quiere ver las especies de animales que aparecieron en las cámaras:

unique(datos2015$bin)

##  [1] Philander opossum        Didelphis marsupialis   
##  [3] Procyon  lotor           Puma yagouaroundi       
##  [5] Conepatus leuconotus     Nasua  narica           
##  [7] Canis latrans            Dasypus novemcinctus    
##  [9] Tamandua mexicana        Urocyon cinereoargenteus
## [11] Cuniculus paca           Panthera onca           
## 12 Levels: Canis latrans Conepatus leuconotus ... Urocyon cinereoargenteus

Si se quiere ver las fechas de inicio de actividad de las cámaras:

unique(datos2015$Camera.Start.Date.and.Time)

## [1] (15-08-26 12:35:00) (15-10-12 09:33:00) (15-08-25 11:15:00)
## [4] (15-10-10 11:19:00) (15-08-25 12:07:00)

PASO 4: Es muy útil calcular el número de días cámaras:

dias_camara <- cam.days(datos,2015)
summary(dias_camara[,2:4])

##    Start.Date            End.Date              ndays      
##  Min.   :2015-08-25   Min.   :2015-12-03   Min.   : 80.0  
##  1st Qu.:2015-08-25   1st Qu.:2015-12-04   1st Qu.:100.0  
##  Median :2015-08-26   Median :2015-12-31   Median :100.0  
##  Mean   :2015-09-13   Mean   :2016-01-27   Mean   :136.4  
##  3rd Qu.:2015-10-10   3rd Qu.:2016-04-05   3rd Qu.:178.0  
##  Max.   :2015-10-12   Max.   :2016-04-05   Max.   :224.0

Tabla 2. Datos con fechas de inicio y finalización del muestreo con cada cámara-trampa, y número de días que estuvieron trabajando. Frecuentemente se refiere a esto como “Días/cámara” o “Noches/trampa”.

PASO 5: Otro dato muy relevante es definir lo que se conoce como “eventos independientes”.

De manera simple, se refiere a la cantidad de tiempo (minutos, horas, días) que se considera debe de haber entre una foto y otra para considerarla como estadísticamente independiente.

Por ejemplo, si se decide que el periodo entre fotos será de 60 min para definirlas como independientes, se puede emplear:

eventos_hh <- event.sp(dtaframe= datos, year= 2015, thresh= 60) 

Tabla 3. Número de registros independientes (cada 60 min) para cada una de las especies de mamíferos en cada cámara-trampa durante el 2015.

Pero si la independencia se define como las fotos tomadas en días diferentes (es decir 24 h o 1440 min), entonces:

eventos_dd <- event.sp(dtaframe= datos, year= 2015, thresh= 1440)

Tabla 4. Número de registros independientes (cada 24 h o 1440 min) para cada una de las especies de mamíferos en cada cámara-trampa durante el 2015.

PASO 6: Para generar los totales por especie

Por ejemplo cada 60 min:

eventos_hh_especies <- colSums(eventos_hh)

Para generar los totales por especie cada 24 h:

eventos_dd_especies <- colSums(eventos_dd)

eventos <- cbind(eventos_hh_especies, eventos_dd_especies)

Tabla 5. Número total de eventos independientes para cada especie. Cada 60 min: “eventos_hh_especies” o cada 24 h: “eventos_dd_especies”.

PASO 7: Para calcular el número de eventos independientes pero por cámara-sitio:

camaras <- rowSums(eventos_hh)

Tabla 6. Número total de eventos independientes para cada cámara.

Cálculo de la ocupación naive

Un estadístico sencillo y muy útil es calcular la proporción de cámaras donde aparece una especie en relación al ltotal de cámaras empleadas. Esta se le conoce coloquialmente como “Ocupación naive”.

datos2015 <- datos[datos$Sampling.Event =="2015",] 
mat <- f.matrix.creator(datos2015) # lista de matrices de cámara x días para cada especie
naive_2015 <- naive(mat)

Tabla 7. Estimación de la ocupación naive.

Es importante alertar que esta ocupación naive no es la misma que la obtenida en los modelos de ocupación que se emplearán en otro capítulo donde se utilizan paquetes como unmarked o programas como PRESENCE. Para estos últimos modelos se considera y estima la probabilidad de detectabilidad.

Curva de acumulación de especies

Otro estadístico son las llamadas curvas de acumulación de especies. Estas nos permiten observar el número de especies que se van registrando en las cámaras en función del esfuerzo de muestreo. Habitualmente el resultado se muestra de manera gráfica para su inspección visual.

acumulacion <- acc.curve(datos,2015)

para graficar:

ggplot(acumulacion, aes(x= Camera.trap.days, y= species)) +
  geom_line(aes(y= species-sd), colour= "grey50", linetype= "dotted") +
  geom_line(aes(y= species+sd), colour= "grey50", linetype= "dotted") +
  theme_bw() +
  geom_line()

Patrón de actividad de especies

Los datos del foto-trampeo está permitiendo obtener mucha información detallada acerca de la actividad de las especies. Esta se puede calcular empleando la siguiente función:

actividad_24h <- events.hours(datos2015)

Luego, si se quiere graficar específicamente alguna especie se emplea:

clock <- c(0:23) 
clock24.plot(actividad_24h$Canis, clock, show.grid= T, lwd= 2, line.col= "blue", main=  "Coyote", cex.lab= 0.5)

## Warning in cos(radial.pos[i, ]) * lengths[i, ]: longitud de objeto mayor no
## es m'ultiplo de la longitud de uno menor

## Warning in sin(radial.pos[i, ]) * lengths[i, ]: longitud de objeto mayor no
## es m'ultiplo de la longitud de uno menor

otra especie:

clock <- c(0:23) 
clock24.plot(actividad_24h$Urocyon.cinereoargenteus, clock, show.grid= T, lwd= 2, line.col= "blue", main= "Zorra gris", cex.lab= 0.5)