class: center, middle, inverse, title-slide .title[ # Modelos de ocupación ] .subtitle[ ## Uniandes, 2023 ] .author[ ### Diego J. Lizcano, Ph.D. test ] .institute[ ### SCMAS, Destino Naturaleza (USAID) ] .date[ ### 2023-05-05 ] --- <!--radix_placeholder_navigation_before_body--> <header class="header header--fixed" role="banner"> <nav class="distill-site-nav distill-site-header"> <div class="nav-left"> <a href="index.html" class="title">Uso de Modelos de Ocupación en proyectos de conservación</a> <input id="distill-search" class="nav-search hidden" type="text" placeholder="Search..."/> </div> <div class="nav-right"> <a href="index.html">Home</a> <a href="about.html">About</a> <a href="https://github.com/dlizcano/Uniandes"> <i class="fab fa-github" aria-hidden="true"></i> </a> <a href="javascript:void(0);" class="nav-toggle">☰</a> </div> </nav> </header> <!--/radix_placeholder_navigation_before_body--> <!--radix_placeholder_site_before_body--> <!--/radix_placeholder_site_before_body--> class: title-slide, center, bottom # Modelos de ocupación ## Uniandes, 2023 ### Diego J. Lizcano, Ph.D. test ??? Welcome to the webinar on sharing on short notice Where we'll show you how to get your teaching materials online with R Markdown. --- class: center, middle # Gracias a ## Aída Otálora-Ardila  --- class: inverse, center, middle # Get Started --- class: inverse, center # Diego J. Lizcano [<svg aria-hidden="true" role="img" viewBox="0 0 496 512" style="height:1em;width:0.97em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:black;overflow:visible;position:relative;"><path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"/></svg>](https://github.com/dlizcano) [<svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:black;overflow:visible;position:relative;"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg>](https://twitter.com/dlizcano) [<svg aria-hidden="true" role="img" viewBox="0 0 640 512" style="height:1em;width:1.25em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:black;overflow:visible;position:relative;"><path d="M579.8 267.7c56.5-56.5 56.5-148 0-204.5c-50-50-128.8-56.5-186.3-15.4l-1.6 1.1c-14.4 10.3-17.7 30.3-7.4 44.6s30.3 17.7 44.6 7.4l1.6-1.1c32.1-22.9 76-19.3 103.8 8.6c31.5 31.5 31.5 82.5 0 114L422.3 334.8c-31.5 31.5-82.5 31.5-114 0c-27.9-27.9-31.5-71.8-8.6-103.8l1.1-1.6c10.3-14.4 6.9-34.4-7.4-44.6s-34.4-6.9-44.6 7.4l-1.1 1.6C206.5 251.2 213 330 263 380c56.5 56.5 148 56.5 204.5 0L579.8 267.7zM60.2 244.3c-56.5 56.5-56.5 148 0 204.5c50 50 128.8 56.5 186.3 15.4l1.6-1.1c14.4-10.3 17.7-30.3 7.4-44.6s-30.3-17.7-44.6-7.4l-1.6 1.1c-32.1 22.9-76 19.3-103.8-8.6C74 372 74 321 105.5 289.5L217.7 177.2c31.5-31.5 82.5-31.5 114 0c27.9 27.9 31.5 71.8 8.6 103.9l-1.1 1.6c-10.3 14.4-6.9 34.4 7.4 44.6s34.4 6.9 44.6-7.4l1.1-1.6C433.5 260.8 427 182 377 132c-56.5-56.5-148-56.5-204.5 0L60.2 244.3z"/></svg>](https://dlizcano.github.io)  -- Biólogo. Universidad de los Andes, Bogotá-Colombia. -- Ph.D. University of Kent, Canterbury, UK. Ecology and conservation of large mammals (Andes). --- # En este mini taller... Vamos a usar  Y muy recomendado usar   --- class: center, top, inverse # Ecology ### Charles Krebs  --- # Ecology: Study of interactions that determine **Distribution and Abundance** .left-column[  ] .right-column[ ### Distribution: Where are they. ### Abundance: How many?. ] -- Related to the problem of counting organisms! -- --- # Contar animales no es un problema trivial...  Los animales se mueven --- name: surprise class: right, middle background-image: url(https://media.giphy.com/media/5zoxhCaYbdVHoJkmpf/giphy.gif) background-size: contain background-position: left .pull-right[ ### Como contar animales: Un problema muy antiguo en Ecología ] --- ### Como Ecologo: El mapa de nuestros sueños  #### at some point, we had to count the kangaroos --- # Contar Animales  #### Fácil para animales que son llamativos y que se agrupan. --- # Contar Animales  #### No es tan fácil si no se agrupan. Capturar - Marcar - Recuperar. Distancia --- # Contar Animales  #### Para algunas especies es engorroso, poco práctico y muy costoso --- ### Abundancia Relativa  #### Una variable indicadora del estado de la población No sé cuántos hay, pero sí sé dónde hay más y dónde hay menos. --- # Sin embargo...  #### Los animales se mueven y se esconden (camuflaje) --- class: center # El muestreo no es infalible  Los biólogos no somos superhéroes. ¡Cometemos errores! #### Concepto de detectabilidad y detección imperfecta --- # La detectabilidad depende de -- ## 1. Condiciones de muestreo (clima, tiempo). -- ## 2. La capacidad del observador (sensor). -- ## 3. 3. La biología de la especie que se está muestreando. -- ### Este error debe ser considerado cuidadosamente para evitar sesgos en las estimaciones de abundancia. --- # Cómo se produce el error de detección (Guillera‐Arroita 2016) see ppt  ##### ¡¡¡Es un error importante que debe ser considerado en el diseño muestral!!! [por que considerarlo?](https://gguilleraresearch.wordpress.com/2017/02/28/accounting-for-imperfect-detection-in-the-modelling-of-species-distributions-range-dynamics-and-communities/) --- # Mackenzie et al 2002, 2003 al rescate...  unnoticed... --- # Libro y programa presence 2006 .left-column[  ] .right-column[  ] Mackenzie populariza la ocupación `\((\psi)\)` como un proxy de la abundancia teniendo en cuenta la detectabilidad `\((p)\)` --- # Libro y programa presence. Segunda edición 2017 .left-column[  ] .right-column[ Una síntesis de enfoques basados en modelos para analizar datos de presencia-ausencia, considerando la detección imperfecta. ] Mackenzie populariza la ocupación `\((\psi)\)` como un proxy de la abundancia teniendo en cuenta la detectabilidad `\((p)\)` --- ## La ocupación permite establecer metas y monitorearlas a lo largo del tiempo.  --- class: inverse, middle, center ## Ocupación # `$$\psi$$` ## Probabilidad de Detección # `$$p$$` ### La ocupación es un reflejo de otros parámetros importantes de la población, como la abundancia y la densidad. --- ## 1. `\((\psi)\)` es la proporción del área muestreada que está ocupada por la especie ## 2. Al visitar el sitio varias veces, puedo estar más seguro de detectar la especie cuando se encuentra en ese lugar. ## 3. **Los Muestreos Repetidos** son la clave. ## `\((\psi)\)` Está influenciado por variables ambientales. (**Covariables**) como la cobertura vegetal, la altitud, la precipitación, etc. --- # Así es como debería verse una tabla de datos con muestreo repetido | | visit1| visit2| visit3| visit4| |:-----|------:|------:|------:|------:| |site1 | 1| 0| 0| 1| |site2 | 0| 0| 0| 0| |site3 | 1| 1| 0| 0| |sitex | 0| 0| 0| 0| --- # Ejemplo de cálculo `\(\psi\)` and `\(p\)` ### Metodo Frequentista (Maximum likelihood) .pull-left[ | | v 1| v 2| v 3| v 4| |:---|---:|---:|---:|---:| |s 1 | 1| 0| 0| 1| |s 2 | 0| 0| 0| 0| |s 3 | 1| 1| 0| 0| |s x | 0| 0| 0| 0| ] .pull-right[ | **Detection History** | |----------------------------------------| | `\(H_{1} \psi\)` × p1(1-p2)(1-p3)p4 | | `\(H_{2} \psi\)` × (1-p2)(1-p2)(1-p3)(1-p4)p4 | | `\(H_{3} \psi\)` × p1p2(1-p3)(1-p4) | | `\(H_{4} \psi\)` × (1-p2)(1-p2)(1-p3)(1-p4)p4 | ] ### Historias combinadas en un modelo: $$ `\begin{aligned} L(\psi, p \mid H_{1},...,H_{x}) = \prod_{i=1}^{x} Pr (H_{i}) \end{aligned}` $$ -- El modelo admite incorporar covariables para explicar `\(\psi\)` y `\(p\)` -- --- # Mismo ejemplo calculando `\(\psi\)` y `\(p\)` ### Bayesiano .pull-left[ | | v 1| v 2| v 3| v 4| |:---|---:|---:|---:|---:| |s 1 | 1| 0| 0| 1| |s 2 | 0| 0| 0| 0| |s 3 | 1| 1| 0| 0| |s x | 0| 0| 0| 0| ] .pull-right[ Es importante entender que hay dos procesos que se pueden modelar jerárquicamente - El proceso ecológico($\psi$) sigue una distribución de Bernoulli. - El modelo de observación ($p$) sigue una distribución de Bernoulli. La probabilidad de observar la especie dado que está presente: `\(p = Pr(y_{i}=1 \mid z_{i}=1)\)` La probabilidad de ocupación: `\(\psi =Pr(z_{i}=1)\)` ] --- ### Un modelo jerárquico (Bayesiano)  ### Admite covariables --- ## ¿Cuál debo usar? ¿máxima verosimilitud o Bayesiano? .pull-left[ ML - Package [unmarked](https://cran.r-project.org/web/packages/unmarked/index.html) - En R - Admite selección "automatica" de modelos con AIC - Problemas con muchos NAs - Hesian problem. estimdos ok. - Difficultad 1 a 10: 3 si ya sabes R. ] Bayesiano .pull-right[ - BUGS o Stan language, llamado desde R - La selección del modelo no es tan fácil, BIC no es adecuado - No tienes tantos problemas con muchas NA en la matriz - Las estimaciones son más precisas. - Dificultad del 1 al 10:7 si ya conoces R. ] --- class: middle, center # Profundizando  ### Andy Royle (2008) Advanced level book with lots of details, formulas, examples and code in R and BUGS language. --- # Libro de la Libélula (2015) .pull-left[  ] .pull-right[ ### More recent by [Marc Kery](https://www.sciencedirect.com/book/9780128013786/applied-hierarchical-modeling-in-ecology) Más de 700 páginas explicando claramente de dónde viene la teoría, a modo de tutorial, desde un nivel básico de R hasta modelos avanzados y su implementación en R y el lenguaje BUGS (JAGS). ] --- # Libro de la Libélula Vol 2 (2020) .pull-left[  ] .pull-right[ ### More recent by [Marc Kery](https://www.elsevier.com/books/applied-hierarchical-modeling-in-ecology-analysis-of-distribution-abundance-and-species-richness-in-r-and-bugs/kery/978-0-12-809585-0) Modelos dinámicos y avanzados que proporcionan una síntesis del estado del arte en modelos jerárquicos para la distribución de plantas y animales, centrándose también en los modelos mas complejos y más avanzados actualmente disponibles. ] --- ### Algunas de las preguntas que podemos responder con los modelos de ocupación incluyen: .pull-left[ - ¿Dónde ocurre la especie (distribución)? - ¿Qué influye en dónde se encuentra una especie? - Determinar elementos de un hábitat que pueden influir en la presencia o ausencia de una especie (ej decir, clima, depredación, disponibilidad de recursos, otra especie, etc.) - Determinar características del paisaje (altitud, covertura vegetal) que pueden influir en la distribución. Estos se pueden incluir en el modelo como covariables. ] .pull-right[  ] --- ### Las suposiciones del modelo incluyen: El área y la poblacion de estudio está cerrada a cambios en la ocupación entre los tiempos de muestreo. Los muestreos y los sitios son independientes (es decir, si una especie se identificó previamente o no en un sitio no tiene impacto en la detección actual o futura en ese sitio). No hay detecciones falsas (donde un observador creyó que vio la especie en cuestión, cuando en realidad era una especie diferente). La probabilidad de detección de una especie, dada la presencia de la especie, es constante en todos los sitios, pero se puede modelar con covariables que describan probabilidad heterogénea de detección entre sitios. La probabilidad de ocupación de las especies es constante en todos los sitios, pero se puede modelar con covariables que describan la probabilidad heterogénea de ocupación entre sitios. --- ### Por que es importante modelar la ocupación de una especie? En especies que se cree que están extintas o en peligro de extinción o de alguna manera restringidas, ¿qué área ocupan?. Podemos usar un modelo dinamico para determinar su trayectoria de ocupación a lo largo del tiempo. ¿Qué tipos de hábitat utiliza más una especie? Si queremos determinar dónde es más probable que habite una especie y determinamos que las probabilidades de ocupación y detección son consistentemente altas en ciertos hábitats, tal vez querríamos centrar nuestros esfuerzos de conservación en este tipo de hábitat para conservar la especie en lugar de propagarla. > Son herramientas para tomar desiciones en conservación. --- background-image: url(img/baby-84626_1280.jpg) background-size: contain # Let's do it!  - R level? - Objects?, Vectors? - DataFrame? - Loops? - Functions? --- # Schedule .left-column[  ] .right-column[ | Day | Topic | |-----------------|------------------------------------------------------| | Tuesday 28 pm | Remembering R | | | [R as model tool](https://dlizcano.github.io/IntroOccuPresent/R_toModel_E.html) | | Wednesday 29 am | [Occupancy concept](https://dlizcano.github.io/IntroOccuPresent/modelOccuData_E.html) | | | Intro Occu Static model - [unmarked101](https://dlizcano.github.io/IntroOccuPresent/unmarked_101_E.html) | | Wednesday 29 pm | Static Model in deep I- [Sim Machalilla](https://dlizcano.github.io/occu_book/) | | | Static Model in deep II- [Data in unmarked](https://dlizcano.github.io/occu_book/unmarked.html) | | Thursday 30 am | Questions. Real World Data - [Deer](https://github.com/dlizcano/Mazama_rufina) | | | [More models](https://dlizcano.github.io/IntroOccuPresent/Otros_modelos_jerarquicos.html) | ] --- class: bottom, center background-image: url(img/children-593313_1280.jpg) background-size: cover # Thanks! Slides created via the R package [**xaringan**](https://github.com/yihui/xaringan). Contact: Diego J. Lizcano <a href="http://twitter.com/dlizcano"> <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:steelblue;overflow:visible;position:relative;"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg> <a href="http://github.com/dlizcano"> <svg aria-hidden="true" role="img" viewBox="0 0 496 512" style="height:1em;width:0.97em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:black;overflow:visible;position:relative;"><path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"/></svg> --- ```r xfun::session_info('rmarkdown') ``` ``` ## R version 4.2.2 (2022-10-31 ucrt) ## Platform: x86_64-w64-mingw32/x64 (64-bit) ## Running under: Windows 10 x64 (build 14393), RStudio 2022.12.0.353 ## ## Locale: ## LC_COLLATE=Spanish_Colombia.1252 ## LC_CTYPE=Spanish_Colombia.1252 ## LC_MONETARY=Spanish_Colombia.1252 ## LC_NUMERIC=C ## LC_TIME=Spanish_Colombia.1252 ## ## Package version: ## base64enc_0.1.3 bslib_0.4.2 ## cachem_1.0.7 cli_3.6.0 ## digest_0.6.31 ellipsis_0.3.2 ## evaluate_0.20 fastmap_1.1.0 ## fontawesome_0.5.0 fs_1.6.1 ## glue_1.6.2 graphics_4.2.2 ## grDevices_4.2.2 highr_0.10 ## htmltools_0.5.4 jquerylib_0.1.4 ## jsonlite_1.8.4 knitr_1.42 ## lifecycle_1.0.3 magrittr_2.0.3 ## memoise_2.0.1 methods_4.2.2 ## mime_0.12 R6_2.5.1 ## rappdirs_0.3.3 rlang_1.1.0 ## rmarkdown_2.21 sass_0.4.5 ## stats_4.2.2 stringi_1.7.12 ## stringr_1.5.0 tinytex_0.44 ## tools_4.2.2 utils_4.2.2 ## vctrs_0.5.2 xfun_0.37 ## yaml_2.3.7 ## ## Pandoc version: 2.19.2 ```