# Membuat daftar paket yang dibutuhkan
package.list=c("exiftoolr", "camtrapR", "tidyverse", "lubridate", "sf", "mapview", "unmarked", "secr", "knitr", "kableExtra", "overlap")
# Mengunduh seluruh paket yang belum ada dan memuatnya kedalam sistem
for (package in package.list) {
if (!require(package, character.only=T, quietly=T)) {
install.packages(package)
library(package, character.only=T)
}
}Kelas Konservasi
Mengelola foto dan video hasil dari survei menggunakan kamera intai
Alur kerja kamera intai
Data kamera intai
- Foto / video
- Data pemasangan (kapan + dimana)
- Hubungan antara (1) dan (2)
Data pemasangan kamera
Esensial
Nama stasiun
Kordinat setiap stasiun
Tanggal pemasangan kamera
Tanggal kamera berhenti bekerja
Diupayakan
- Kolom lainnya (Informasi lingkungan disekitar pemasangan kamera)
Prosedur Pengelolaan Data
Scotson et al. 2017 meninjau berbagai macam prosedur dan perangkat lunak yang ada untuk mengelola data kamera intai.
Dalam panduan ini, kami mengadopsi protokol pengelolaan data kamera pengintai menggunakan ‘camtrapR’ karena;
Gratis
Kapasitas penyimpanan tidak terbatas*
Fleksibilitas untuk analisis data yang lebih kompleks
Alur Kerja Pengelolaan Data
Alur kerja pengelolaan data dengan ‘camtrapR’ dibagi menjadi lima bagian
Organisir Data Kamera Intai:Langkah ke-1
Setelah mengunduh data dari kamera intai, kelola data tersebut dengan hirarki folder sebagai berikut;
Nama lanskap
Nama proyek / lokasi survei
Images_raw
Nama stasiun
Foto/Video
Organisir Data Kamera Intai:Langkah ke-2
Cadangkan data tersebut kedalam folder baru dan biarkan data `mentah/raw` tetap tersimpan sebagai cadangan atau rujukan apabila terdapat kesalahan dalam proses organisir data
Nama lanskap
Nama proyek / lokasi survei
Images_renamed
Nama stasiun
Foto/Video
Organisir Data Kamera Intai:Langkah ke-3
Mengganti nama setiap foto/video sehingga setiap data memiliki nama yang unik dan informatif untuk mempermudah proses verifikasi dari lembar data
Dalam camtrapR dapat menggunakan fungsi ‘imageRename()’
Data tersebut akan diganti dengan format; NamaStasiun_YYY-MM-DD__HH-MM-SS(n).JPG
Identifikasi spesies / individu
Dari data mentah yang sudah disalin pada langkah ke-3, lakukan proses identifikasi dengan memindahkan foto ke dalam hirarki folder sebagai berikut;
Images_renamed
Nama stasiun
Nama spesies
Foto/Video
Identifikasi spesies - tips
- Identifikasi semua spesies
- Identifikasi hingga takson terendah
- Berikan nama unik untuk spesies yang belum bisa diidentifikasi hingga tingkat spesies
- Burung ❌
- Unidentified ❌
- Pitta sp1 ✅
- Paok sp1 ✅
Mengatur tempat penyimpanan data
Mengunduh semua data yang dibutuhkan pada tautan ini; simulasi_fhk_kk_ct Setelah itu ekstrak data yang dibutuhkan dan simpan ke dalam satu folder simulasi data.
Melakukan identifikasi dengan cara drag & drop
Memindahkan foto/video ke dalam folder spesies
Menambahkan nama spesies kedalam setiap file
Mengingat prinsip data kamera intai
Lembar dataset kamera intai
kedua data tersebut disimpan kedalam satu lembar kerja dengan cuplikan sebagai berikut;
Membuat plot matriks kamera aktif
# Membuat matiks hari aktif kamera
camop <- cameraOperation(CTtable = effort,
stationCol = "Station",
setupCol = "Setup_date",
retrievalCol = "Retrieval_date",
writecsv = FALSE,
hasProblems = TRUE, #TRUE, ketika diketahui ada kamera yang tidak aktif hingga waktu pengambilan
dateFormat = "%d-%b-%y")
# Membuat plot matriks
camtrapR:::camopPlot(camop)
Membuat ringkasan temuan satwa
# Menambahkan satu kolom berisi tanggal dan waktu sekaligus
detection <- detection %>%
mutate(DateTimeOriginal = as.POSIXct(paste(Date, Time)))
# Membuat independent event dengan batas waktu 30 menit
detection_30m <- detection %>%
filter(!Scientific.Name=='StartEnd') %>% #Mengeluarkan tim yang memasang dan melepas kamera
camtrapR:::assessTemporalIndependence(deltaTimeComparedTo = "lastIndepentRecord",
columnOfInterest = "Scientific.Name",
stationCol = "Station",
minDeltaTime = 30,
camerasIndependent = FALSE) %>%
drop_na(Scientific.Name) %>%
dplyr::select(Station, Scientific.Name, DateTimeOriginal, FileName, n_images) %>%
mutate(IE = 1)
# Membuat ringkasan temuan satwa
sum_table <- detection_30m %>%
group_by(Scientific.Name) %>%
summarise(
n_images = sum(n_images),
IE = sum(IE),
n_locs = n_distinct(Station)) %>%
ungroup() %>%
mutate(RAI = IE / (effective_trap_nights/ 100),
`raw_occ` = n_locs / total_stations) %>%
mutate(across(5:last_col(), ~round(., 2))) %>%
arrange(desc(n_images))
# Membuat plot ringkasan temuan satwa
layout(matrix(c(1,1,2), 1, 3, byrow = TRUE))
par(mar=c(5,16,1,1))
barplot(sum_table$IE,
names.arg = as.expression(lapply(sum_table$Scientific.Name, function(x) bquote(italic(.(x))))),
las = 1, cex.names = 1, xlab = "Independent event", horiz = TRUE)
par(mar=c(5,1,1,1))
barplot(sum_table$raw_occ, las=1, cex.names=0.7, xlab="Proportion of sites detected", horiz=T, xlim=c(0,1))| Scientific.Name | n_images | IE | n_locs | RAI | raw_occ |
|---|---|---|---|---|---|
| Macaca fascicularis | 7 | 3 | 2 | 3.28 | 0.67 |
| Chalcophaps indica | 3 | 1 | 1 | 1.09 | 0.33 |
| Macaca nemestrina | 3 | 1 | 1 | 1.09 | 0.33 |
| Varanus salvator | 2 | 1 | 1 | 1.09 | 0.33 |
| Presbytis cristata | 1 | 1 | 1 | 1.09 | 0.33 |
Memuat dataset baru
Perhatian
Karena data kamera sebenarnya terikat dengan Perjanjian Kerahasiaan (NDA), untuk kelas ini kita akan menggunakan data yang dapat diakses publik melalui situs DRYAD. Data yang disajikan sudah diedit untuk memudahkan praktik, sehingga hasil dari simulasi ini tidak menggambarkan hasil nyata dari penulis aslinya
Memuat dataset baru
# Mengatur lokasi folder untuk analisis
setwd("D:/simulasi_fhk/Round_2") #bisa diganti untuk directory yang berbeda
# Membaca data stasiun kamera yang baru
effort <- read.csv("station_adv.csv")
# Membaca data deteksi satwa yang baru
detection <- read.csv("detection_adv.csv")
detection <- detection %>%
mutate(DateTimeOriginal = as.POSIXct(paste(Date, Time), format = "%d-%b-%y %H:%M"))| . | |
|---|---|
| effective_trap_nights | 309 |
| mean_trap_nights_per_camera | 22 |
| total_stations | 14 |
| mean_distance_camtrap | 554 |
Membuat grafik aktivitas satwa
# Membuat grafik aktivitas satwa
detection_30m$Species <- detection_30m$Scientific.Name
# Membuat pola aktivitas bobcat
activityDensity(recordTable = detection_30m,
species = 'Lynx rufus') # ganti nama spesies ini untuk satwa lainnya
# Membuat pola aktivitas tumpang tindih antara 2 spesies
activityOverlap (recordTable = detection_30m,
speciesA = "Lynx rufus",
speciesB = "Ursus americanus",
plotR = TRUE,
pngMaxPix = 1000,
linecol = c("black", "blue"),
linewidth = c(5,3),
linetype = c(1, 2),
olapcol = "darkgrey",
add.rug = TRUE,
extend = "lightgrey",
ylim = c(0, 0.25),
main = paste("Tumpang tindih: ", "Lynx rufus", "-", "Ursus americanus")
)
Membuat matriks deteksi untuk analisis kepadatan satwa
sdh <- spatialDetectionHistory(recordTableIndividual = detection,
species = "Lynx rufus", #spesies yang akan dianalisis
output = "binary",
camOp = camop,
CTtable = effort,
stationCol = "Station",
speciesCol = "Scientific.Name",
Xcol = "utm_x",
Ycol = "utm_y",
individualCol = "Individual",
recordDateTimeCol = "DateTimeOriginal",
recordDateTimeFormat = "%Y-%m-%d %H:%M:%S",
occasionLength = 5,
day1 = "station",
includeEffort = TRUE,
timeZone = "Asia/Kuala_Lumpur")Object class capthist
Detector type proximity
Detector number 14
Average spacing 492.4891 m
x-range 744684.2 749726.4 m
y-range 4307702 4309435 m
Usage range by occasion
1 2 3 4 5 6 7
min 4.5 5 1.5 0 0 0 0.0
max 4.5 5 5.0 5 5 5 4.5
Counts by occasion
1 2 3 4 5 6 7 Total
n 1 2 0 2 1 0 0 6
u 1 2 0 0 0 0 0 3
f 1 1 1 0 0 0 0 3
M(t+1) 1 3 3 3 3 3 3 3
losses 0 0 0 0 0 0 0 0
detections 1 3 0 2 1 0 0 7
detectors visited 1 3 0 1 1 0 0 6
detectors used 14 14 14 11 10 3 2 68
Terima Kasih!
🙏🏼 Mohon beritahu saya penilaian anda terkait materi ini melalui survei singkat ini;
🏡 Material: Kelas Konservasi #15
Ridout, M. S., and M. Linkie. 2009. “Estimating Overlap of Daily Activity Patterns from Camera Trap Data.” Journal of Agricultural, Biological, and Environmental Statistics 14 (3): 322–37. https://doi.org/10.1198/jabes.2009.08038.