Esfuerzo de muestreo y RAI

Esfuerzo de muestreo y frecuencia de captura o abundancia relativa (RAI)

Parte del Curso Introducción al Fototrampeo
R
cameratrap
curso
Authors
Affiliations

Diego J. Lizcano

WildMon

Lain E. Pardo

Panthera

Angélica Diaz-Pulido

IAvH

Published

December 10, 2024

Este post es parte de el curso Introducción al fototrampeo

INTRODUCCIÓN

El estudio de mamíferos medianos y grandes en bosques tropicales suele ser difícil ya que muchas de estas especies son crípticas, nocturnas y esquivas, dificultando su detección. Los métodos tradicionales requieren de la captura de los animales y suelen ser costosos, de difícil manejo y poco efectivas. Por esta razón, estas técnicas han sido reemplazadas rápidamente por la técnica del fototrampeo, la cual usa cámaras fijas que se activan para captar imágenes de animales en el momento que pasan frente a la cámara, mediante sensores infrarrojos.

Las cámaras trampa son utilizadas en investigaciones biológicas como una herramienta importante para determinar distintos parámetros ecológicos como densidad, ocurrencia, riqueza, entre otros. Las ventajas de esta técnica son muy amplias, por lo que su uso es cada vez más frecuente. Por esta razón es importante conocer las características de los equipos, los alcances y limitaciones del empleo de cámaras, así como tener claridad sobre el tipo de datos arrojados con esta técnica y su interpretación. El éxito de esta técnica, como de cualquier otra, depende a su vez de un adecuado planteamiento de las preguntas de investigación y diseño de muestreo, así como una base conceptual sólida que permita alcanzar los objetivos de investigación.

En este curso queremos hacer una introducción general al fototrampeo donde los participantes entiendan como funcionan las cámaras trampa, que consideraciones se deben tener para el diseño de un estudio con fototrampeo, así como una introducción a tres análisis básicos (estimación de riqueza, abundancia relativa y horarios de actividad).

OBJETIVOS

  1. Capacitar estudiantes de pregrado y personas interesadas en entender el uso y los alcances de la técnica del fototrampeo.

  2. Entender de manera general como se diseña un estudio con fototrampeo y como se analizan e interpretan los datos derivados con énfasis en riqueza, abundancia relativa y patrones de actividad.

METODOLOGÍA

El curso está estructurado en dos grandes temas. El primero concerniente a la técnica propiamente dicha y el segundo relacionado con las preguntas de investigación y su análisis. Todas las sesiones son teórico-prácticas y para los ejercicios de montaje de cámaras se hará una práctica corta al interior de la Universidad Nacional. Al finalizar el curso se entregará una carpeta digital con material relacionado como libros y artículos y las presentaciones en pdf, así como los códigos en R usados en las demostraciones.

Libro

El curso incluye el Libro Fototrampeo en R de Salvador Mandujano:

Fototrampeo en R

Indice de Abundancia Relativa (RAI)

Recuerda que el RAI es el número de fotos por unidad de esfuerzo de muestreo y puede ser expresado con la siguiente formula

\[ RAI = \dfrac{Número de fotos independientes}{dias de camara * 100} \]

y ten muy encuenta que:

RAI no es exactamente un buen estimado de abundancia

Por eso mejor llamarla Frecuencia de Captura (Capture Rate).

Pueden ver una revision muy interesante en el articulo:

Índice de abundancia relativa y tasa de encuentro con trampas cámara

Veamos un ejemplo

Cargar Paquetes

Primero cargamos algunos paquetes de R

Code

library(grateful) # Facilitate Citation of R Packages
library(patchwork) # The Composer of Plots
library(readxl) # Read Excel Files
library(sf) # Simple Features for R
library(mapview) # Interactive Viewing of Spatial Data in R
library(tmap)
library(tmaptools)
# library(terra) # Spatial Data Analysis
library(readr) # Read Rectangular Text Data

library(camtrapR) # Camera Trap Data Management and Preparation of Occupancy and Spatial Capture-Recapture Analyses 
# library(adehabitatHR) # Home Range Estimation
# library(agricolae) # Statistical Procedures for Agricultural Research
# library(akima) # Interpolation of Irregularly and Regularly Spaced Data
# library(fuzzySim) # Fuzzy Similarity in Species Distributions
# library(MASS) # Support Functions and Datasets for Venables and Ripley's MASS
library(RColorBrewer) # ColorBrewer Palettes
library(DT) # A Wrapper of the JavaScript Library 'DataTables'
# library(RAIeR) # Relative abundance index and encounter rate estimation cameratraps

library(kableExtra) # Construct Complex Table with 'kable' and Pipe Syntax
library(tidyverse) # Easily Install and Load the 'Tidyverse'

# source("C:/CodigoR/CameraTrapCesar/R/organiza_datos.R")

Carguemos los datos

Son dos archivos uno de las cámaras y otro de las especies.

Code


# library(hrbrthemes)
library(viridis)

cameras <- read.csv("C:/CodigoR/CameraTrapCesar/posts/2024-12-10-RAI/data/survey_metadata_sp_rich.csv")
# sp recs
sp_rec <- read.csv2("C:/CodigoR/CameraTrapCesar/posts/2024-12-10-RAI/data/FAZ_sp_rec_only_mammals_indep_with_generics.csv", encoding = "LATIN1")

# Delete cams that were not active
cameras1 <- cameras %>% 
              filter(!No_spp == 0) #
  
# check cams vs sp records

not_in_cams <- left_join(sp_rec, cameras1, by ="deployment_id") 
unique(not_in_cams$deployment_id) #OK
#>  [1] "FAZ001" "FAZ002" "FAZ003" "FAZ004" "FAZ005" "FAZ007" "FAZ008" "FAZ009"
#>  [9] "FAZ010" "FAZ011" "FAZ012" "FAZ013" "FAZ014" "FAZ015" "FAZ017" "FAZ018"
#> [17] "FAZ019" "FAZ020" "FAZ021" "FAZ022" "FAZ023" "FAZ024" "FAZ025" "FAZ026"
#> [25] "FAZ027" "FAZ028" "FAZ029"

Camaras

Code
datatable(head(cameras))

Especies

Code
datatable(sp_rec)

Usemos las funciones de camtrapR

Resulta en un listado de 5 partes:

  • reportTest[[1]] esfuerzo_muestreo. camera trap operation times and image date ranges
  • reportTest[[2]] number of species by station
  • reportTest[[3]] number of events and number of stations by species
  • reportTest[[4]] registros_especies. number of species events by station
  • reportTest[[5]] number of species events by station including 0s (non-observed species)
Code
#now build the camp op
sp_rec$start_time <- as.POSIXct(sp_rec$start_time, format = "%Y-%m-%d %H:%M") #     

survey_rep <- surveyReport(recordTable = sp_rec,
                               CTtable = cameras1,
                               speciesCol = "spanish_common_name", 
                               stationCol = "deployment_id",
                               setupCol = "start_date", 
                               retrievalCol = "end_date",
                               recordDateTimeCol = "start_time",
                               makezip = F # prepara un archivo .zip, False here 
                               #sinkpath = "data_out",
                            # camOp = cam_op) # directorio donde guardara .zip
                           )
#> 
#> -------------------------------------------------------
#> [1] "Total number of stations:  27"
#> 
#> -------------------------------------------------------
#> [1] "Number of operational stations:  27"
#> 
#> -------------------------------------------------------
#> [1] "n nights with cameras set up (operational or not. NOTE: only correct if 1 camera per station): 4531"
#> 
#> -------------------------------------------------------
#> [1] "n nights with cameras set up and active (trap nights. NOTE: only correct if 1 camera per station): 4531"
#> 
#> -------------------------------------------------------
#> [1] "total trapping period:  2024-01-03 - 2024-08-28"

Calculemos el RAI

Tip

Recuerda que el RAI es en realidad mas una tasa de captura que una abundancia.

Primero unimos las dos tablas

Code
esfuerzo_muestreo <- survey_rep[[1]] |> left_join(cameras)
n_activas <- esfuerzo_muestreo[c("deployment_id", "n_nights_active",
                                 "longitude", "latitude")]
wildlife.data <- merge(survey_rep[[4]], n_activas, all.y = T)
datatable(head(wildlife.data))#

Renombramos algunas columnas

Code
names(wildlife.data)[names(wildlife.data) == "deployment_id"] <- "Camera"
names(wildlife.data)[names(wildlife.data) == "n_events"] <- "Events"
names(wildlife.data)[names(wildlife.data) == "n_nights_active"] <- "Effort"
names(wildlife.data)[names(wildlife.data) == "spanish_common_name"] <- "common_name"

RAI general por especie

El RAI general que se calcula agrupando toda la información de las cámaras por especie.

Code
RAI <- wildlife.data |> group_by(common_name) |> mutate (RAI_general=round ( (sum(Events) / sum(Effort) ) * 100, 2)) |> ungroup()
datatable(head(RAI))

RAI por especie por camara

RAI alternativo

Code
RAI2 <- RAI |> group_by(common_name) |> mutate (RAI_camara=round ( Events / Effort * 100, 2)) |> ungroup()
datatable(head(RAI2))

Veamolo como grafica

Code

# Barplot
ggplot(RAI, aes(x=reorder(common_name, RAI_general), y=RAI_general)) + 
  geom_bar(stat = "identity") +  ggtitle("RAI general") +
  coord_flip()

Code

# Barplot
# Plot
RAI2 %>%
  ggplot( aes(x=common_name, y=RAI_camara, fill=common_name)) +
    geom_boxplot() + scale_x_discrete(guide = guide_axis(angle = 90)) +
    scale_fill_viridis(discrete = TRUE, alpha=0.6) +
    geom_jitter(color="black", size=0.4, alpha=0.9) +
    # theme_ipsum() +
    theme(
      legend.position="none",
      plot.title = element_text(size=11)
    ) +
    ggtitle("RAI alternativo") +
    xlab("")

Veamos el RAI alternativo como mapa

Code
# primero convertimos el RAI2 a un sf
RAI2 <- RAI2 |> st_as_sf(coords = c('longitude', 'latitude'), crs = 4326)
# veamos el mapa
tm_shape(RAI2) + 
  tm_dots("Camera", col = "black", fill = "black") +
    tm_symbols(fill = "red", col = "white", size = "RAI_camara", scale = 1.5) +
    tm_facets(by = "common_name") + #, ncol = 5) +
  tm_legend_hide()

Package Citation

Code
pkgs <- cite_packages(output = "paragraph", out.dir = ".") #knitr::kable(pkgs)
pkgs

We used R version 4.4.2 (R Core Team 2024) and the following R packages: camtrapR v. 2.3.0 (Niedballa et al. 2016), devtools v. 2.4.5 (Wickham et al. 2022), DT v. 0.33 (Xie, Cheng, and Tan 2024), kableExtra v. 1.4.0 (Zhu 2024), mapview v. 2.11.2 (Appelhans et al. 2023), patchwork v. 1.3.0 (Pedersen 2024), quarto v. 1.4.4 (Allaire and Dervieux 2024), RColorBrewer v. 1.1.3 (Neuwirth 2022), rmarkdown v. 2.29 (Xie, Allaire, and Grolemund 2018; Xie, Dervieux, and Riederer 2020; Allaire et al. 2024), sf v. 1.0.19 (Pebesma 2018; Pebesma and Bivand 2023), styler v. 1.10.3 (Müller and Walthert 2024), tidyverse v. 2.0.0 (Wickham et al. 2019), tmap v. 3.99.9003 (Tennekes 2018), tmaptools v. 3.1.1 (Tennekes 2021), viridis v. 0.6.5 (Garnier et al. 2024).

Sesion info

Session info 
#> ─ Session info ───────────────────────────────────────────────────────────────────────────────────────────────────────
#>  setting  value
#>  version  R version 4.4.2 (2024-10-31 ucrt)
#>  os       Windows 10 x64 (build 19045)
#>  system   x86_64, mingw32
#>  ui       RTerm
#>  language (EN)
#>  collate  Spanish_Colombia.utf8
#>  ctype    Spanish_Colombia.utf8
#>  tz       America/Bogota
#>  date     2024-12-16
#>  pandoc   3.2 @ C:/Program Files/RStudio/resources/app/bin/quarto/bin/tools/ (via rmarkdown)
#> 
#> ─ Packages ───────────────────────────────────────────────────────────────────────────────────────────────────────────
#>  ! package           * version   date (UTC) lib source
#>    abind               1.4-8     2024-09-12 [1] CRAN (R 4.4.1)
#>    base64enc           0.1-3     2015-07-28 [1] CRAN (R 4.4.0)
#>    bslib               0.8.0     2024-07-29 [1] CRAN (R 4.4.2)
#>    cachem              1.1.0     2024-05-16 [1] CRAN (R 4.4.2)
#>    camtrapR          * 2.3.0     2024-02-26 [1] CRAN (R 4.4.2)
#>    cellranger          1.1.0     2016-07-27 [1] CRAN (R 4.4.2)
#>    class               7.3-22    2023-05-03 [2] CRAN (R 4.4.2)
#>    classInt            0.4-10    2023-09-05 [1] CRAN (R 4.4.2)
#>    cli                 3.6.3     2024-06-21 [1] CRAN (R 4.4.2)
#>    codetools           0.2-20    2024-03-31 [2] CRAN (R 4.4.2)
#>    colorspace          2.1-1     2024-07-26 [1] CRAN (R 4.4.2)
#>    cols4all            0.8       2024-10-16 [1] CRAN (R 4.4.2)
#>    crosstalk           1.2.1     2023-11-23 [1] CRAN (R 4.4.2)
#>    data.table          1.16.4    2024-12-06 [1] CRAN (R 4.4.2)
#>    DBI                 1.2.3     2024-06-02 [1] CRAN (R 4.4.2)
#>    devtools            2.4.5     2022-10-11 [1] CRAN (R 4.4.2)
#>    dichromat           2.0-0.1   2022-05-02 [1] CRAN (R 4.4.0)
#>    digest              0.6.37    2024-08-19 [1] CRAN (R 4.4.2)
#>    dplyr             * 1.1.4     2023-11-17 [1] CRAN (R 4.4.2)
#>    DT                * 0.33      2024-04-04 [1] CRAN (R 4.4.2)
#>    e1071               1.7-16    2024-09-16 [1] CRAN (R 4.4.2)
#>    ellipsis            0.3.2     2021-04-29 [1] CRAN (R 4.4.2)
#>    evaluate            1.0.1     2024-10-10 [1] CRAN (R 4.4.2)
#>    fansi               1.0.6     2023-12-08 [1] CRAN (R 4.4.2)
#>    farver              2.1.2     2024-05-13 [1] CRAN (R 4.4.2)
#>    fastmap             1.2.0     2024-05-15 [1] CRAN (R 4.4.2)
#>    forcats           * 1.0.0     2023-01-29 [1] CRAN (R 4.4.2)
#>    fs                  1.6.5     2024-10-30 [1] CRAN (R 4.4.2)
#>    generics            0.1.3     2022-07-05 [1] CRAN (R 4.4.2)
#>    ggplot2           * 3.5.1     2024-04-23 [1] CRAN (R 4.4.2)
#>    glue                1.8.0     2024-09-30 [1] CRAN (R 4.4.2)
#>    grateful          * 0.2.10    2024-09-04 [1] CRAN (R 4.4.2)
#>    gridExtra           2.3       2017-09-09 [1] CRAN (R 4.4.2)
#>    gtable              0.3.6     2024-10-25 [1] CRAN (R 4.4.2)
#>    hms                 1.1.3     2023-03-21 [1] CRAN (R 4.4.2)
#>    htmltools           0.5.8.1   2024-04-04 [1] CRAN (R 4.4.2)
#>    htmlwidgets         1.6.4     2023-12-06 [1] CRAN (R 4.4.2)
#>    httpuv              1.6.15    2024-03-26 [1] CRAN (R 4.4.2)
#>    jquerylib           0.1.4     2021-04-26 [1] CRAN (R 4.4.2)
#>    jsonlite            1.8.9     2024-09-20 [1] CRAN (R 4.4.2)
#>    kableExtra        * 1.4.0     2024-01-24 [1] CRAN (R 4.4.2)
#>    KernSmooth          2.23-24   2024-05-17 [2] CRAN (R 4.4.2)
#>    knitr               1.49      2024-11-08 [1] CRAN (R 4.4.2)
#>    labeling            0.4.3     2023-08-29 [1] CRAN (R 4.4.0)
#>    later               1.3.2     2023-12-06 [1] CRAN (R 4.4.2)
#>    lattice             0.22-6    2024-03-20 [2] CRAN (R 4.4.2)
#>    leafem              0.2.3     2023-09-17 [1] CRAN (R 4.4.2)
#>    leaflegend          1.2.1     2024-05-09 [1] CRAN (R 4.4.2)
#>    leaflet             2.2.2     2024-03-26 [1] CRAN (R 4.4.2)
#>    leaflet.providers   2.0.0     2023-10-17 [1] CRAN (R 4.4.2)
#>    leafsync            0.1.0     2019-03-05 [1] CRAN (R 4.4.2)
#>    lifecycle           1.0.4     2023-11-07 [1] CRAN (R 4.4.2)
#>    lubridate         * 1.9.4     2024-12-08 [1] CRAN (R 4.4.2)
#>    lwgeom              0.2-14    2024-02-21 [1] CRAN (R 4.4.2)
#>    magrittr            2.0.3     2022-03-30 [1] CRAN (R 4.4.2)
#>    mapview           * 2.11.2    2023-10-13 [1] CRAN (R 4.4.2)
#>    MASS                7.3-61    2024-06-13 [2] CRAN (R 4.4.2)
#>    Matrix              1.7-1     2024-10-18 [2] CRAN (R 4.4.2)
#>    memoise             2.0.1     2021-11-26 [1] CRAN (R 4.4.2)
#>    mgcv                1.9-1     2023-12-21 [2] CRAN (R 4.4.2)
#>    microbenchmark      1.5.0     2024-09-04 [1] CRAN (R 4.4.2)
#>    mime                0.12      2021-09-28 [1] CRAN (R 4.4.0)
#>    miniUI              0.1.1.1   2018-05-18 [1] CRAN (R 4.4.2)
#>    munsell             0.5.1     2024-04-01 [1] CRAN (R 4.4.2)
#>    mvtnorm             1.3-2     2024-11-04 [1] CRAN (R 4.4.2)
#>    nlme                3.1-166   2024-08-14 [2] CRAN (R 4.4.2)
#>    patchwork         * 1.3.0     2024-09-16 [1] CRAN (R 4.4.2)
#>    pillar              1.9.0     2023-03-22 [1] CRAN (R 4.4.2)
#>    pkgbuild            1.4.5     2024-10-28 [1] CRAN (R 4.4.2)
#>    pkgconfig           2.0.3     2019-09-22 [1] CRAN (R 4.4.2)
#>    pkgload             1.4.0     2024-06-28 [1] CRAN (R 4.4.2)
#>    png                 0.1-8     2022-11-29 [1] CRAN (R 4.4.0)
#>    processx            3.8.4     2024-03-16 [1] CRAN (R 4.4.2)
#>    profvis             0.4.0     2024-09-20 [1] CRAN (R 4.4.2)
#>    promises            1.3.0     2024-04-05 [1] CRAN (R 4.4.2)
#>    proxy               0.4-27    2022-06-09 [1] CRAN (R 4.4.2)
#>    ps                  1.8.1     2024-10-28 [1] CRAN (R 4.4.2)
#>    purrr             * 1.0.2     2023-08-10 [1] CRAN (R 4.4.2)
#>    quarto            * 1.4.4     2024-07-20 [1] CRAN (R 4.4.2)
#>    R.cache             0.16.0    2022-07-21 [1] CRAN (R 4.4.2)
#>    R.methodsS3         1.8.2     2022-06-13 [1] CRAN (R 4.4.0)
#>    R.oo                1.27.0    2024-11-01 [1] CRAN (R 4.4.1)
#>    R.utils             2.12.3    2023-11-18 [1] CRAN (R 4.4.2)
#>    R6                  2.5.1     2021-08-19 [1] CRAN (R 4.4.2)
#>    raster              3.6-30    2024-10-02 [1] CRAN (R 4.4.2)
#>    RColorBrewer      * 1.1-3     2022-04-03 [1] CRAN (R 4.4.0)
#>    Rcpp                1.0.13-1  2024-11-02 [1] CRAN (R 4.4.2)
#>    RcppNumerical       0.6-0     2023-09-06 [1] CRAN (R 4.4.2)
#>  D RcppParallel        5.1.9     2024-08-19 [1] CRAN (R 4.4.2)
#>    readr             * 2.1.5     2024-01-10 [1] CRAN (R 4.4.2)
#>    readxl            * 1.4.3     2023-07-06 [1] CRAN (R 4.4.2)
#>    remotes             2.5.0     2024-03-17 [1] CRAN (R 4.4.2)
#>    renv                1.0.11    2024-10-12 [1] CRAN (R 4.4.2)
#>    rlang               1.1.4     2024-06-04 [1] CRAN (R 4.4.2)
#>    rmarkdown           2.29      2024-11-04 [1] CRAN (R 4.4.2)
#>    rstudioapi          0.17.1    2024-10-22 [1] CRAN (R 4.4.2)
#>    s2                  1.1.7     2024-07-17 [1] CRAN (R 4.4.2)
#>    sass                0.4.9     2024-03-15 [1] CRAN (R 4.4.2)
#>    satellite           1.0.5     2024-02-10 [1] CRAN (R 4.4.2)
#>    scales              1.3.0     2023-11-28 [1] CRAN (R 4.4.2)
#>    secr                5.1.0     2024-11-04 [1] CRAN (R 4.4.2)
#>    sessioninfo         1.2.2     2021-12-06 [1] CRAN (R 4.4.2)
#>    sf                * 1.0-19    2024-11-05 [1] CRAN (R 4.4.2)
#>    shiny               1.9.1     2024-08-01 [1] CRAN (R 4.4.2)
#>    sp                  2.1-4     2024-04-30 [1] CRAN (R 4.4.2)
#>    spacesXYZ           1.3-0     2024-01-23 [1] CRAN (R 4.4.2)
#>    stars               0.6-7     2024-11-07 [1] CRAN (R 4.4.2)
#>    stringi             1.8.4     2024-05-06 [1] CRAN (R 4.4.0)
#>    stringr           * 1.5.1     2023-11-14 [1] CRAN (R 4.4.2)
#>    styler            * 1.10.3    2024-04-07 [1] CRAN (R 4.4.2)
#>    svglite             2.1.3     2023-12-08 [1] CRAN (R 4.4.2)
#>    systemfonts         1.1.0     2024-05-15 [1] CRAN (R 4.4.2)
#>    terra               1.8-5     2024-12-12 [1] CRAN (R 4.4.2)
#>    tibble            * 3.2.1     2023-03-20 [1] CRAN (R 4.4.2)
#>    tidyr             * 1.3.1     2024-01-24 [1] CRAN (R 4.4.2)
#>    tidyselect          1.2.1     2024-03-11 [1] CRAN (R 4.4.2)
#>    tidyverse         * 2.0.0     2023-02-22 [1] CRAN (R 4.4.2)
#>    timechange          0.3.0     2024-01-18 [1] CRAN (R 4.4.2)
#>    tmap              * 3.99.9003 2024-12-16 [1] Github (r-tmap/tmap@32abcd0)
#>    tmaptools         * 3.1-1     2021-01-19 [1] CRAN (R 4.4.2)
#>    tzdb                0.4.0     2023-05-12 [1] CRAN (R 4.4.2)
#>    units               0.8-5     2023-11-28 [1] CRAN (R 4.4.2)
#>    urlchecker          1.0.1     2021-11-30 [1] CRAN (R 4.4.2)
#>    usethis             3.0.0     2024-07-29 [1] CRAN (R 4.4.1)
#>    utf8                1.2.4     2023-10-22 [1] CRAN (R 4.4.2)
#>    vctrs               0.6.5     2023-12-01 [1] CRAN (R 4.4.2)
#>    viridis           * 0.6.5     2024-01-29 [1] CRAN (R 4.4.2)
#>    viridisLite       * 0.4.2     2023-05-02 [1] CRAN (R 4.4.2)
#>    withr               3.0.2     2024-10-28 [1] CRAN (R 4.4.2)
#>    wk                  0.9.4     2024-10-11 [1] CRAN (R 4.4.2)
#>    xfun                0.49      2024-10-31 [1] CRAN (R 4.4.2)
#>    XML                 3.99-0.17 2024-06-25 [1] CRAN (R 4.4.1)
#>    xml2                1.3.6     2023-12-04 [1] CRAN (R 4.4.2)
#>    xtable              1.8-4     2019-04-21 [1] CRAN (R 4.4.2)
#>    yaml                2.3.10    2024-07-26 [1] CRAN (R 4.4.1)
#> 
#>  [1] C:/Users/usuario/AppData/Local/R/win-library/4.4
#>  [2] C:/Program Files/R/R-4.4.2/library
#> 
#>  D ── DLL MD5 mismatch, broken installation.
#> 
#> ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────

References

Allaire, JJ, and Christophe Dervieux. 2024. quarto: R Interface to “Quarto” Markdown Publishing System. https://CRAN.R-project.org/package=quarto.
Allaire, JJ, Yihui Xie, Christophe Dervieux, Jonathan McPherson, Javier Luraschi, Kevin Ushey, Aron Atkins, et al. 2024. rmarkdown: Dynamic Documents for r. https://github.com/rstudio/rmarkdown.
Appelhans, Tim, Florian Detsch, Christoph Reudenbach, and Stefan Woellauer. 2023. mapview: Interactive Viewing of Spatial Data in r. https://CRAN.R-project.org/package=mapview.
Garnier, Simon, Ross, Noam, Rudis, Robert, Camargo, et al. 2024. viridis(Lite) - Colorblind-Friendly Color Maps for r. https://doi.org/10.5281/zenodo.4679423.
Müller, Kirill, and Lorenz Walthert. 2024. styler: Non-Invasive Pretty Printing of r Code. https://CRAN.R-project.org/package=styler.
Neuwirth, Erich. 2022. RColorBrewer: ColorBrewer Palettes. https://CRAN.R-project.org/package=RColorBrewer.
Niedballa, Jürgen, Rahel Sollmann, Alexandre Courtiol, and Andreas Wilting. 2016. “camtrapR: An r Package for Efficient Camera Trap Data Management.” Methods in Ecology and Evolution 7 (12): 1457–62. https://doi.org/10.1111/2041-210X.12600.
Pebesma, Edzer. 2018. “Simple Features for R: Standardized Support for Spatial Vector Data.” The R Journal 10 (1): 439–46. https://doi.org/10.32614/RJ-2018-009.
Pebesma, Edzer, and Roger Bivand. 2023. Spatial Data Science: With applications in R. Chapman and Hall/CRC. https://doi.org/10.1201/9780429459016.
Pedersen, Thomas Lin. 2024. patchwork: The Composer of Plots. https://CRAN.R-project.org/package=patchwork.
R Core Team. 2024. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Tennekes, Martijn. 2018. “tmap: Thematic Maps in R.” Journal of Statistical Software 84 (6): 1–39. https://doi.org/10.18637/jss.v084.i06.
———. 2021. tmaptools: Thematic Map Tools. https://CRAN.R-project.org/package=tmaptools.
Wickham, Hadley, Mara Averick, Jennifer Bryan, Winston Chang, Lucy D’Agostino McGowan, Romain François, Garrett Grolemund, et al. 2019. “Welcome to the tidyverse.” Journal of Open Source Software 4 (43): 1686. https://doi.org/10.21105/joss.01686.
Wickham, Hadley, Jim Hester, Winston Chang, and Jennifer Bryan. 2022. devtools: Tools to Make Developing r Packages Easier. https://CRAN.R-project.org/package=devtools.
Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown.
Xie, Yihui, Joe Cheng, and Xianying Tan. 2024. DT: A Wrapper of the JavaScript Library “DataTables”. https://CRAN.R-project.org/package=DT.
Xie, Yihui, Christophe Dervieux, and Emily Riederer. 2020. R Markdown Cookbook. Boca Raton, Florida: Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown-cookbook.
Zhu, Hao. 2024. kableExtra: Construct Complex Table with “kable” and Pipe Syntax. https://CRAN.R-project.org/package=kableExtra.

Citation

BibTeX citation:
@online{j._lizcano2024,
  author = {J. Lizcano, Diego and E. Pardo, Lain and Diaz-Pulido,
    Angélica},
  title = {Esfuerzo de Muestreo y {RAI}},
  date = {2024-12-10},
  url = {https://dlizcano.github.io/cametrap/posts/2024-12-10-RAI/},
  langid = {en}
}
For attribution, please cite this work as:
J. Lizcano, Diego, Lain E. Pardo, and Angélica Diaz-Pulido. 2024. “Esfuerzo de Muestreo y RAI.” December 10, 2024. https://dlizcano.github.io/cametrap/posts/2024-12-10-RAI/.