La compréhension de la multitude de facteurs et de leurs interactions impliquées dans le mouvement animal est au mieux complexe. Cependant, sans une certaine tentative de construire un tel modèle, il est difficile de comprendre pleinement les schémas de mouvement, et encore moins de tester des hypothèses qui mèneront à de nouvelles idées. Une autre approche consisterait à examiner la sélection des ressources entre les individus dans un tableau spatial. Cela implique généralement l`incorporation de SIG dans les modèles et les éléments suivants: les distributions d`utilisation sont des modèles utilisés dans les analyses de sélection des ressources qui résument l`utilisation des ressources comme un processus continu et probabiliste (densité de probabilité fonction), tandis que d`autres techniques d`analyse de sélection des ressources dépendent de la classification correcte de l`habitat à des endroits exacts. Ces modèles requièrent la possibilité de définir de manière appropriée les plages de la maison. Avec l`utilisation étendue de la technologie GPS pour suivre les animaux en temps quasi réel, les estimateurs de la gamme et du mouvement de la maison se sont développés simultanément. Contrairement aux estimateurs traditionnels basés sur des points (c.-à-d. MCP, KDE avec href/hplug-in) qui incorporent seulement la densité des emplacements dans l`estimation de gamme de maison, les nouveaux estimateurs incorporent plus de données fournies par la technologie de GPS. Alors que BBMM incorpore une composante temporelle et une erreur GPS dans les estimations, les modèles dynamiques de mouvement brownien Bridge (dBBMM) intègrent les caractéristiques temporelles et comportementales des trajectoires de mouvement dans l`estimation de la gamme domestique (Kranstauber et al.

2012). Toutefois, l`estimation d`une trajectoire de mouvement sur toute la trajectoire des données doit être divisée en Behavorial mouvements (c.-à-d., repos, alimentation) avant d`estimer la variance du mouvement brownien (2 m). Surestimer les 2 m entraînera une imprécision dans l`estimation de la distribution d`utilisation que dBBMM cherche à traiter (Kranstauber et al. 2012). Un article récent de Nathan et coll. (2008, voir la figure 1) résume les éléments les mieux incorporés dans les modèles de mouvement en posant les questions suivantes. Ces facteurs ont été examinés dans quatre types de modèles: chaque ensemble de données et chaque organisme est unique, de sorte que le choix d`un modèle de gamme à la maison doit être basé sur une évaluation complète du mouvement et de le placer dans un contexte plus large (écologie, physiologie… de votre espèce). Il existe de nombreux types d`analyses de la gamme familiale qui peuvent être choisies en fonction des questions à traiter et des données disponibles. dataD8 <-sous-ensemble (muleys, muleys $ ID = = "D8") dataD8 $ ID <-Factor (dataD8 $ ID) D8 <-Move (x = dataD8 $ X, y = dataD8 $ Y, temps = As. POSIXct (dataD8 $ GPSFixTime, format = "% Y.% m.% d% H:%M:% S"), proj = CRS ("+ proj = UTM + zone = 12 + Datum = NAD83"), Data = dataD8, animal = dataD8 $ ID) 100d8_dbbmm <-Brownian.

Bridge. dyn (Object = D8, location. Error = 22, Window. Size = 19, marge = 7, dimSize = 100, Time. Step = 180) tracer (d8_dbbmm) contour (d8_dbbmm, levels = c (. 5,. 9,. 95,. 99), Add = TRUE) afficher (d8_dbbmm) par (mfcol = 1:2) Plot (loc2, type = “o”, col = 3, LWD = 2, PCH = 20, XLAB = “location_east”, ylab = “location_north”) les modèles deviennent plus complexes lorsqu`ils incorporer un composant spatial.