Bilim · Zooloji · Hayvan Ekolojisi

Hat Transekt Hayvan Yoğunluğu Hesaplayıcı

Hat boyunca gördüğünüz hayvanların hattan uzaklıklarını yapıştırın; araç yedi aday algılama modelini (half-normal, hazard-rate, düzgün + kosinüs düzeltmeleri) uydurup AIC ile seçer, etkin şerit genişliğini, yoğunluğu (birey/ha) ve %95 güven aralığını hesaplasın. Her şeyi görebildiğiniz dar şeritler için sabit genişlikli şerit hesabı da var.

Kısaca: Hattan uzaklaştıkça hayvanı fark etme olasılığı düşer. Uzaklık örneklemesi bu düşüşü bir eğriyle ölçer, hattın iki yanında “her şeyi görseydik” kaç hayvan olacağını bulur ve yoğunluğu D = n ÷ (2 · L · ESW) ile verir.

Hat transekt yöntemi

Gözlemci bir hat boyunca yürür ya da araçla ilerler, gördüğü her birey ya da grup için hattan dik uzaklığı kaydeder. Hattan uzaklaştıkça hayvanların fark edilme olasılığı düştüğü için şeritteki hayvanları saymak yoğunluğu olduğundan düşük gösterir. Uzaklık örneklemesi (distance sampling) algılama olasılığını gözlenen uzaklıklardan tahmin ederek bu yanlılığı giderir.

Algılama fonksiyonu ve etkin şerit genişliği

Araç yedi aday modeli uydurur: half-normal g(x) = exp(−x² / 2σ²), hazard-rate g(x) = 1 − exp(−(x/σ)⁻ᵇ) ve düzgün anahtar işlev; bunlara kosinüs düzeltme terimleri eklenir. Parametreler Nelder–Mead ile olabilirlik en büyüklenerek bulunur ve model AIC’ye göre seçilir (ΔAIC < 2 ise modeller ayırt edilemez). Half-normalde σ, uzaklıkların kesme mesafesi w ile sınırlandırılmış olabilirlik fonksiyonu en büyüklenerek bulunur. Algılama fonksiyonunun 0’dan w’ye integrali, etkin şerit yarı genişliğidir (ESW): bu genişlikte her şeyin görülüp aynı sayıda hayvanın kaçırıldığı varsayımsal şerit. Yoğunluk D = n ÷ (2 · L · ESW) olur; çok sayıda birey birlikte görülüyorsa ortalama grup büyüklüğü ile çarpılır.

Güven aralığı ve uyum

Belirsizliğin iki kaynağı vardır: algılama fonksiyonunun tahmini ve hatlar arası karşılaşma oranı değişkenliği. İkisi değişim katsayılarının karesi toplanarak birleştirilir ve log-normal %95 aralığı çıkarılır. Hat başına gözlem sayısını girmezseniz yalnızca nokta tahmini verilir. Uzaklık sınıflarına göre gözlenen ve beklenen sayılar ve χ² değeri, modelin veriye uyup uymadığını görmenizi sağlar.

Ne zaman şerit hesabı?

Dar ve açık bir şeritte hiçbir bireyi kaçırmadığınızdan eminseniz yoğunluk doğrudan D = n ÷ (taraf × L × w) olur. Bu varsayım çoğu arazide zordur; kuşkunuz varsa uzaklık örneklemesini seçin.

Sık Sorulan Sorular

Etkin şerit genişliği (ESW) nedir?

Şerit içinde her bireyin görüldüğünü varsaysaydık, gerçekte görülen sayıda birey içerecek olan hayali şeridin yarı genişliğidir. Algılama fonksiyonunun 0’dan kesme mesafesine integralidir.

Kaç gözlem gerekir?

Genel öneri 60–80 ya da daha fazla gözlemdir. Daha azıyla tahmin yapılabilir ama güven aralığı geniş olur; araç 40’ın altında uyarı verir.

Hangi model seçilmeli?

Varsayılan otomatik seçimdir: en düşük AIC’li model alınır. ΔAIC < 2 olan modellerin yoğunluk tahminleri birbirine yakın olmalıdır. Kesme mesafesi için genellikle gözlemlerin en uzak %5–10’u atılır.

Açı ve uzaklık ölçtüm, dik uzaklığı nasıl bulurum?

Satıra “uzaklık; açı” yazın. Araç dik uzaklığı uzaklık × sin(açı) ile hesaplar; açı hattın yönüne göre 0–90 derece olmalıdır.

Yoğunluk neden birey/ha ve birey/km² olarak veriliyor?

Hat uzunluğu ve uzaklıklar metre cinsinden girildiği için hesap birey/m² olarak yapılır; sonuç yaygın birimlere (×10⁴ ve ×10⁶) çevrilir.

Yöntem ve kaynakça

Formüller: g(x) = exp(−x² / 2σ²), 0 ≤ x ≤ w; ESW = ∫₀ʷ g(x) dx; parametreler en çok olabilirlikle bulunur (log L = Σ ln g(xᵢ) − n · ln ∫g; AIC = 2k − 2 log L); D = n · s̄ ÷ (2 · L · ESW). Değişim katsayısı: CV² = CVn² + CVp²; CVn Buckland vd. (2001) hat başına karşılaşma oranı varyansı, CVp gözlenen bilgi matrisinden ve ESW gradyanından (delta yöntemi) sayısal olarak; güven aralığı [D ÷ C, D · C], C = exp(1,96 · √ln(1 + CV²)).

Varsayımlar ve sınırlar: Hat üzerindeki hayvanlar kesin görülür (g(0) = 1), gözlemden önce hareket yoktur, uzaklıklar doğru ölçülür ve hatlar rastgele ya da sistematik yerleştirilmiştir. Anahtar işlevler half-normal, hazard-rate ve düzgündür; kosinüs düzeltmeleri azalan g koşuluyla sınırlanır. Kovaryatlı (MCDS) ve katmanlı analizler kapsam dışıdır.

  1. Buckland, S. T., Anderson, D. R., Burnham, K. P., Laake, J. L., Borchers, D. L. & Thomas, L. (2001). Introduction to Distance Sampling: Estimating Abundance of Biological Populations. Oxford University Press.
  2. Buckland, S. T., Rexstad, E. A., Marques, T. A. & Oedekoven, C. S. (2015). Distance Sampling: Methods and Applications. Springer. doi:10.1007/978-3-319-19219-2
  3. Burnham, K. P. & Anderson, D. R. (1976). Mathematical models for nonparametric inferences from line transect data. Biometrics, 32(2), 325–336. doi:10.2307/2529501
  4. Burnham, K. P. & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (2nd ed.). Springer. doi:10.1007/b97636
  5. Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. doi:10.1109/TAC.1974.1100705
  6. Thomas, L., Buckland, S. T., Rexstad, E. A., Laake, J. L., Strindberg, S., Hedley, S. L., Bishop, J. R. B., Marques, T. A. & Burnham, K. P. (2010). Distance software: design and analysis of distance sampling surveys for estimating population size. Journal of Applied Ecology, 47(1), 5–14. doi:10.1111/j.1365-2664.2009.01737.x

Son güncelleme: 2026-11-16

← Kaynaklara Dön

© 2026 Abdullah Çetin. Bu aracın kodu, tasarımı ve içeriği telif hakkıyla korunur; izinsiz kopyalanması, çoğaltılması veya başka bir sitede kullanılması yasaktır.