Modelli Bayesiani per lo studio dell'interazione tra variabili ambientali e l'attività di Mustela Nivalis

In un mondo sempre più minacciato dagli effetti del cambiamento climatico, l'analisi statistica del comportamento animale si rivela uno strumento sempre più proficuo per l'ecologia comportamentale e le scienze ambientali. Le applicazioni spaziano dal monitoraggio della biodiversità alla previsione degli effetti del mutamento delle condizioni ambientali, e sono fondamentali per intraprendere azioni per la conservazione e la gestione delle risorse ambientali. Studiare il movimento e l'attività animale può essere un procedimento complesso, sia per via della natura schiva delle specie osservate, sia per le difficoltà ambientali presentate dall'habitat in cui essi si trovano. Una tecnica di monitoraggio, adottata per ricavare il dataset utilizzato, consiste nell'utilizzo di radio transmitter applicati per mezzo di collari sull'animale d'interesse, con i quali è possibile raccogliere dati relativi al movimento e all'attività dell'esemplare. La variabile su cui ci concentreremo maggiormente è quella legata al tipo di attività dell'animale, che sarà d'ora in avanti denominata Activity. Questa variabile binaria assume il valore 0 quando l'animale non sta svolgendo attività, ad esempio quando l'animale è a riposo, mentre assume valore 1 qualora invece l'animale sia attivo, come durante la caccia. Il tipo di attività viene determinato dalla presenza di segnale intermittente rilevato dal tag. Gli animali presi in considerazione sono donnole Mustela Nivalis tracciate nell'area in prossimità del Lago Lungo e del Lago di Ripasottile, vicino a Rieti, nel Lazio, in un periodo che va da Febbraio 2003 a Giugno 2004. A partire dai dati forniti, questa tesi si propone di analizzare le osservazioni in modo da stimare i parametri legati a fattori ambientali che possono influenzare l'attività, quali la stagione, la temperatura, la fase lunare e le condizioni di luce. L'analisi comincerà con la visualizzazione e l'esplorazione del dataset e si occuperà poi di stimare i parametri del modello tramite un approccio bayesiano su un modello di regressione. Questo tipo di approccio consente di incorporare esplicitamente l'incertezza legata alle stime dei parametri, di integrare eventuali informazioni a priori e di ottenere distribuzioni a posteriori per i parametri del modello. Per fare ciò utilizzeremo STAN e la libreria brms in R, che permettono di analizzare in maniera rigorosa e statisticamente accurata i modelli presi in esame, oltre che a confrontarli graficamente e attraverso altre diagnostiche. I risultati ottenuti serviranno a fornire un'interpretazione biologica dei fattori ambientali significativi per la modellizzazione dell'attività degli esemplari studiati, contribuendo ad aumentare la comprensione dei pattern di comportamento animale. Analizzeremo anche, in una sezione dedicata, le motivazioni per cui modelli più complessi come gli Hidden Markov model non sono risultati applicabili ed esploreremo i motivi di tale inapplicabilità.