Accounting for spatial bias in citizen science observations of Norwegian freshwater fish by using an effort spatial field

Abstract

Modellbasert dataintegrasjon gir et lovende rammeverk for konstruksjon av artsfordelingsmodeller ved bruk av folkeforsknings-data sammen med strukturerte data fra undersøkelser, men en vanlig utfordring er hvordan man skal forholde seg til romlige skjevheter i folkeforsknings-dataene i slike modeller.

Jeg implementerer en integrert artsfordelingsmodell ved å bruke to datasett med observasjoner av ferskvannsfisk i Norge: et strukturert datasett, og et folkeforsknings-datasett. Det antas en log-Gaussisk Cox-prosess for den underliggende fordelingen til dataene. I tillegg antas det individuelle observasjonsprosesser for hvert datasett, men med felles miljømessige kovariater og et felles romlig felt. Observasjonsprosessen for folkeforsknings-dataene blir også gitt et eget romlig felt som estimeres fra folkeforsknings-data alene. Dette lar oss estimere den romlige skjevheten til disse observasjonene.

Ved å sammenligne dette estimerte separate romlige feltet på tvers av fire forskjellige arter av ferskvannsfisk, ser vi at selv i fiskearter med svært forskjellige fordelinger, er det romlige feltet veldig likt. Når vi sammenligner varianter av integrerte modeller med en modell basert kun på undersøkelses-datasettet, yter de integrerte modellene konsekvent bedre enn modellen med bare ett datasett.

All inferens er utført med metodikken "Integrated nested Laplace approximation" (INLA), som gir god fleksibilitet og effektiv utregning.

Model-based data integration provides a promising framework for fitting species distribution models using citizen science data together with structured survey data, but a common challenge is how to properly include biased citizen science data in an integrated model.

I implement an integrated species distribution model using two data sets of freshwater fish in Norway: one which is a structured survey data set and one which is a citizen science data set. For the underlying distribution, I use a log-Gaussian Cox-process. Together with this, I assume separate observation processes for each data set, but with shared environmental covariates and a shared spatial field. In addition, the observation process for the citizen science data is given a separate spatial field which is estimated only from the citizen science data, referred to as the effort spatial field. This allows us to estimate the spatial bias of these observations.

By comparing the estimated separate spatial field across four different species of freshwater fish, we see that even in fish with very different distributions, the effort spatial field is very similar. When comparing variations of integrated models to a survey-only model, the integrated models perform consistently better than the single-dataset model.

The integrated nested Laplace approximation (INLA) methodology is used to fit all models, and gives great flexibility as well as very efficient computation.