An Optimization Approach to the Two-Circle Method of Estimating Ground-Dwelling Arthropod Densities

Abstract

Information on ground-dwelling arthropod densities is important for efficient management in agro-ecosystems. A method of using paired pitfall traps with different inter-trap distances, called the two-circle method (TCM), was proposed recently for accurate and efficient estimation of arthropod densities. Using the numbers of individuals caught in paired traps and the inter-trap distances between the paired traps as input, the TCM can simultaneously estimate the effective trapping radius and the population density by fitting a nonlinear model. However, the previous fitting procedure (using the nonlinear least squares approach) provides the estimates and standard errors of only these two variables, and often suffers from its hypersensitivity to the initial values assigned in the nonlinear regression. To estimate the confidence intervals of these estimates and to assess the effects of the number of replications per distance class and the number of distance classes on the accuracy of density estimates, we provide a new procedure for fitting the model by using the optimization function. Evaluation based on simulated and field data suggests that the TCM could provide a reliable estimate of density by using at least 15 paired traps per distance class and at least 4 distance classes.

Información sobre la densidad de artrópodos que habitan el suelo es importante para un manejo eficiente de agroecosistemas. Un método que utiliza trampas de caída emparejadas con diferentes distancias entre las trampas, llamado método de dos círculos (MDC) ha side propuesto para la estimación precisa y eficiente de las densidades de artrópodos. Usando los datos del número de individuos atrapados en trampas emparejadas y las distancias entre pares, el MDC puede estimar simultáneamente el radio de captura efectiva y la densidad de población mediante el ajuste de los datos a un modelo no lineal. Sin embargo, el procedimiento de ajuste anterior (utilizando mínimos cuadrados no lineales) proporciona las estimaciones y los errores estándar de sólo estas 2 variables, y a menudo sufre de su hipersensibilidad a los valores iniciales asignados en la regresión no lineal. Para calcular el intervalo de confianza de estas estimaciones y para evaluar los efectos de que el número e repeticiones por categoría de distancia y el número de categorías de distancias sobre la exactitud de las estimaciones de densidad, proveemos un nuevo procedimiento para ajustar el modelo mediante el uso de la función de optimización. Nuestra evaluación basada en datos simulados y de campo sugiere que por lo menos 15 réplicas por categoría de distancia y al menos 4 clases de distancias son suficientes para garantizar una estimación fiable de la densidad por el MDC.

View this article in BioOne