Modelleren van het voorkomen van het Usutu-virus in Vlaanderen met opportunistische data

Natuurpunt is een onafhankelijke vrijwilligersvereniging met meer dan 107.000 leden die kwetsbare en bedreigde natuur in Vlaanderen beschermd (http://www.natuurpunt.be). Ze zijn o.a. bekend voor de organisatie van hun "grote vogeltelweekend" of de "grote vlindertelling". In deze initiatieven worden burgers ingeschakeld om "beestjes" in hun tuin te tellen en in te geven op de publieke website http://waarnemingen.be De website is bovendien heel het jaar beschikbaar en wordt dagelijks aangevuld met nieuwe tellingen van burgers / vrijwilligers verspreid over Vlaanderen. De dataset bevat ondertussen miljoenen records en biedt een schat aan informatie voor de biodiversiteit van Vlaanderen. Dergelijke data die op een volledig niet-gestandaardiseerde manier bekomen wordt, noemt men ook opportunistische data.

De data leidt echter aan verschillende soorten vertekeningen. Bijvoorbeeld, makkelijk te bereiken gebieden naast steden en wegen worden meer bezocht wat kan resulteren in overschattingen van de aantallen van een bepaalde diersoort. In deze thesis onderzoek je hoe je statistisch kan omgaan met dergelijke vertekeningen in een data-analyse.

In het bijzonder kan een dataset onderzocht worden van waarnemingen van het Usutu virus. https://www.natuurpunt.be/nieuws/worden-merels-slachtoffer-van-nieuwe-usutu-uitbraak-20170726. Verschillende merels werden reeds het slachtoffer van het virus waarvan in 2016 de eerste gevallen in Belgie werden gerapporteerd. Kunnen we deze data gebruiken om betrouwbare schattingen te maken van het voorkomen van het virus?

Je zal voor deze thesis nauw kunnen samenwerken met medewerkers van Natuurpunt. De thesis kan in drie stappen verlopen: (i) beschrijvende studie van de data, (ii) literatuuroverzicht van statistische technieken die kunnen gebruikt worden om de data te analyseren en (iii) de toepassing van minstens een van de technieken op concrete data met concrete conclusies.

Sleutelwoorden: burgerwetenschap; opportunistische data; biodiversiteit

References: [1] Bird, T. J. et al. Statistical solutions for error and bias in global citizen science datasets. Biol. Conserv. 173, 144-154 (2014).

Statistische modellering van opportunistische data voor de opvolging van biodiversiteit

Natuurpunt is een onafhankelijke vrijwilligersvereniging met meer dan 107.000 leden die kwetsbare en bedreigde natuur in Vlaanderen beschermd (http://www.natuurpunt.be). Ze zijn o.a. bekend voor de organisatie van hun "grote vogeltelweekend" of de "grote vlindertelling". In deze initiatieven worden burgers ingeschakeld om soorten in hun tuin te tellen en in te geven op de publieke website http://waarnemingen.be De website is bovendien heel het jaar beschikbaar en wordt dagelijks aangevuld met nieuwe tellingen van burgers / vrijwilligers verspreid over Vlaanderen. Ondertussen zijn er miljoenen records beschikbaar en biedt de data een schat aan informatie omtrent de biodiversiteit van Vlaanderen. Dergelijke data die op een volledig niet-gestandaardiseerde manier bekomen wordt, noemt men ook opportunistische data.

De data leidt echter aan verschillende soorten uitdagingen [1]. Bijvoorbeeld, makkelijk te bereiken gebieden naast steden en wegen worden meer bezocht wat kan resulteren in een vertekende schatting van de verdeling van de aantallen van een diersoort. Observaties worden bovendien beinvloed door de schuwheid van soorten, de expertise van de vrijwilliger en valse positieven. In deze thesis onderzoek je statistische modellen om dergelijke losse waarnemingen van soorten te modelleren. De thesis kan bijvoorbeeld in drie stappen verlopen: (i) beschrijvende studie van de data, (ii) literatuuroverzicht van statistische technieken die kunnen gebruikt worden om de data te analyseren en (iii) de toepassing van minstens een van de technieken op een concrete data set. Je zal voor deze thesis nauw kunnen samenwerken met medewerkers van Natuurpunt die je helpen om de juiste data voor een specifieke data-analyse te extraheren.

Referentie:
[1] Bird, T. J. et al. Statistical solutions for error and bias in global citizen science datasets. Biol. Conserv. 173, 144-154 (2014).