Silva I, Fleming CH, Noonan MJ, Fagan WF, Calabrese JM. · Ecology and evolution · 2026

Too Few, Too Many, or Just Right? Optimizing Sample Sizes for Population-Level Inferences in Animal Tracking Projects.

Resumo em português

Projetos bem-sucedidos de rastreamento animal dependem de estratégias amostrais bem fundamentadas e métodos robustos para gerar inferências biologicamente significativas. Considerando restrições financeiras e logísticas, a confiabilidade dos resultados da pesquisa é moldada por decisões-chave relativas à duração do estudo (por quanto tempo cada indivíduo deve ser rastreado?), à frequência de amostragem (com que frequência novas localizações devem ser coletadas?) e ao número de indivíduos a serem rastreados. Para maximizar seu valor para a conservação, os estudos devem considerar a precisão do estimador e evitar inferências tendenciosas de parâmetros-chave relacionados ao comportamento de movimento e uso do espaço, pois isso pode resultar em desperdício de recursos e direcionar incorretamente ações de manejo. Para enfrentar esses desafios, propomos um fluxo de trabalho para determinar os tamanhos amostrais ótimos para estimativas da área de vida e velocidade em nível populacional, abordando explicitamente os trade-offs entre duração da amostragem (T), intervalo de amostragem (∆t) e tamanho amostral populacional (m). Embora o planejamento prévio do estudo seja considerado a melhor prática, este fluxo pode ser aplicado em múltiplas etapas, incluindo simultaneamente à coleta de dados ou em avaliações post hoc. Ao selecionar métodos robustos que sejam insensíveis à amostragem e ao quantificar e propagar a incerteza por meio das análises subsequentes, podemos determinar se nossos tamanhos amostrais (tanto no nível individual quanto no populacional) são suficientes para gerar inferências robustas em nível populacional. Além disso, os pesquisadores podem integrar restrições logísticas adicionais, como taxa de sucesso de fixação, erro de localização e possíveis falhas de dispositivos, considerando também a variação individual. Ilustramos aplicações potenciais desse fluxo por meio de simulações guiadas empiricamente. Para facilitar seu uso e implementação, incorporamos esse fluxo na aplicação Shiny para R, 'movedesign', de fácil uso para o usuário. Essa aplicação permite que pesquisadores testem diferentes estratégias de amostragem e, a partir da versão 0.3.3, integra metas analíticas em nível populacional. Este fluxo de trabalho tem o potencial de melhorar o rigor e a confiabilidade de projetos de rastreamento animal conduzidos sob restrições logísticas e financeiras, apoiando assim pesquisas científicas mais eficazes, manejo da vida selvagem e esforços de conservação.

Resumo original em inglês

Successful animal tracking projects depend on well-informed sampling strategies and robust methods to yield biologically meaningful inferences. Considering financial and logistical constraints, the reliability of research outputs is shaped by key decisions regarding study duration ( how long should each individual be tracked?), sampling frequency ( how often should new locations be collected?), and how many individuals should be tracked. To maximize their conservation value, studies must consider estimator precision and avoid biased inferences of key parameters related to movement behavior and space use, as this can lead to wasted resources and misguide management actions. To address these challenges, we propose a workflow for determining the optimal sample sizes for population-level home range area and speed estimates, explicitly addressing the trade-offs between sampling duration ( T ), sampling interval ( ∆t ), and population sample size ( m ). While a priori study design is considered best practice, this workflow can be applied at multiple stages, including concurrent with data collection, or as a post hoc evaluation. By selecting robust methods that are sampling-insensitive, and by quantifying and propagating uncertainty through downstream analyses, we can determine whether our sample sizes (both at the individual- and population-level) are sufficient to yield robust population-level inferences. Furthermore, researchers can integrate additional logistical constraints such as fix success rate, location error, and potential device malfunctions, while also accounting for individual variation. We illustrate potential applications of this workflow through empirically-guided simulations. To facilitate its use and implementation, we incorporated this workflow into the user-friendly 'movedesign' R Shiny application. This application enables researchers to easily test different sampling strategies, and as of version 0.3.3, integrates population-level analytical targets. This workflow has the potential to improve the rigor and reliability of animal tracking projects conducted under logistical and financial constraints, and thereby support more effective scientific research, wildlife management, and conservation efforts.