Nederland telt natuur alsof het een lieve lust is. Vogelaars voeren hun waarnemingen in, vrijwilligers lopen vlinderroutes, ecologen inventariseren natuurgebieden en via platforms als Waarneming.nl komen inmiddels enorme hoeveelheden gegevens beschikbaar. Dat levert indrukwekkende kaarten op waarop precies lijkt te staan waar soorten voorkomen en hoe dat door de jaren heen verandert.

Maar daar begint ook het probleem.

Wie in 2000 duizend waarnemingen van een soort had en in 2025 tienduizend, mag daar niet uit concluderen dat de soort tien keer zo talrijk is geworden. Zelfs het aantal kilometerhokken waarin een soort wordt waargenomen, kun je niet zonder meer tussen jaren vergelijken.

Meer waarnemingen kunnen namelijk ook betekenen dat er meer waarnemers zijn. Of betere apps. Of dat mensen vaker naar een bepaald gebied gaan. Of dat een soort populair is geworden onder natuurliefhebbers.

Tussen een dier of plant zien en wetenschappelijk kunnen zeggen dat een soort toe- of afneemt zit daarom een hele wereld van statistiek.

Dat is geen reden om natuurwaarnemingen terzijde te schuiven. Integendeel. Een invloedrijke Nederlandse studie van CBS-onderzoeker Arco van Strien, Chris van Swaay en Tim Termaat liet al in 2013 zien dat ook niet-gestandaardiseerde waarnemingen waardevolle informatie kunnen opleveren. Maar alleen wanneer ze op de juiste manier worden geanalyseerd.

En precies dat voorbehoud verdient meer aandacht.

Drie vragen die vaak door elkaar lopen

Om natuurstatistieken te begrijpen, moeten we eerst drie fundamenteel verschillende vragen uit elkaar halen.

De eerste is: waar is een soort waargenomen?

Dat is de ruwe waarneming. Iemand ziet bijvoorbeeld een heivlinder op de Veluwe en registreert plaats, datum en soort.

De tweede vraag is: waar komt de soort voor?

Dat gaat over verspreiding. Nederland kan bijvoorbeeld worden verdeeld in hokken van één bij één kilometer. Vervolgens proberen we te bepalen welk percentage van de geschikte hokken door een soort wordt bezet. In de ecologische statistiek heet dat occupancy.

De derde vraag is: hoeveel exemplaren zijn er?

Dat gaat over populatieomvang of abundantie.

Die drie zijn nadrukkelijk niet hetzelfde.

Stel dat een vlindersoort twintig jaar geleden voorkwam in 1.000 kilometerhokken met gemiddeld honderd exemplaren per hok. Nu komt hij nog steeds in 1.000 hokken voor, maar zitten er gemiddeld twintig exemplaren.

De verspreiding is dan vrijwel gelijk gebleven, terwijl de populatie met ongeveer 80 procent kan zijn afgenomen.

Andersom kan een soort zich over een groter gebied verspreiden terwijl het totale aantal individuen nauwelijks stijgt.

Wie over “de trend van een soort” spreekt, moet dus eerst vertellen welke trend hij bedoelt.

Een nul is niet altijd een nul

Daar komt een tweede probleem bij.

Wanneer een soort ergens niet is waargenomen, betekent dat niet automatisch dat hij er niet zat.

Een vogel kan zich stilhouden. Een vlinder vliegt misschien alleen bij geschikt weer. Een plant kan over het hoofd worden gezien. Een libel kan aan de andere kant van een watergang zitten.

Ecologen noemen dit de detectiekans.

Van Strien en collega’s geven daarvan een mooi statistisch voorbeeld. Stel dat 200 locaties tweemaal worden bezocht. In het eerste jaar wordt een soort relatief weinig gevonden. Het jaar daarop wordt hij veel vaker gezien. Op het eerste gezicht lijkt de soort te zijn toegenomen.

Maar wanneer de soort tijdens het tweede bezoek veel vaker óók wordt aangetroffen op locaties waar hij tijdens het eerste bezoek al werd gezien, kan het model afleiden dat niet noodzakelijk de verspreiding is toegenomen, maar vooral de kans om de soort te ontdekken. In hun voorbeeld blijft de geschatte occupancy 0,5, terwijl de detectiekans stijgt van 0,5 naar 0,9.

Dat onderscheid is cruciaal.

Niet gezien is namelijk iets anders dan niet aanwezig.

De enorme waarde – en valkuil – van burgerwaarnemingen

Voor gestandaardiseerde meetnetten kan de waarnemingsinspanning redelijk goed worden gecontroleerd. Een vlinderroute heeft bijvoorbeeld een vaste route, een voorgeschreven waarnemingsmethode en voorwaarden waaronder wordt geteld. In het Nederlandse vlindermeetnet werden vaste transecten doorgaans wekelijks bezocht tijdens het vliegseizoen en golden voorwaarden voor het weer.

Bij spontane burgerwaarnemingen is dat anders.

De ene waarnemer loopt vijf minuten langs een parkeerplaats en meldt één bijzondere vlinder. Een ander loopt drie uur door hetzelfde natuurgebied en voert iedere soort in die hij tegenkomt.

Beide leveren een stip op de kaart.

Statistisch zijn die stippen echter niet hetzelfde.

Van Strien en collega’s onderscheiden vier belangrijke problemen: geografische vertekening, verschillen in waarnemingsinspanning, selectief rapporteren en verschillen in detectiekans.

Vooral selectief rapporteren is interessant. Mensen melden niet willekeurig wat ze zien. Een zeldzame vlinder wordt vrijwel zeker ingevoerd. De honderdste koolwitje van die middag misschien niet.

Daarom kan een database een vertekend beeld geven wanneer uitsluitend de geregistreerde waarnemingen worden geteld.

De statistische truc: occupancy modelling

Daarvoor zijn zogenoemde occupancy models ontwikkeld.

Het principe is verrassend elegant.

Een gebied wordt verdeeld in locaties of rastercellen. Binnen een bepaalde periode worden die locaties bij voorkeur meerdere keren bezocht. Per bezoek wordt vervolgens niet alleen geregistreerd of de doelsoort is gevonden, maar probeert het model tevens informatie te verkrijgen over bezoeken waarbij hij níét is gevonden.

Zo ontstaan bijvoorbeeld reeksen als:

1 – 0 – 1 – 0

of:

0 – 0 – 0 – 0

Het eerste patroon betekent: de soort werd tijdens twee van vier bezoeken aangetroffen. Bij het tweede patroon weten we minder. De soort kan werkelijk afwezig zijn geweest, maar hij kan ook viermaal zijn gemist.

Met voldoende locaties en herhaalde bezoeken kan statistisch onderscheid worden gemaakt tussen twee verborgen grootheden:

ψ: de kans dat een locatie bezet is, en p: de kans dat een aanwezige soort tijdens een bezoek daadwerkelijk wordt ontdekt.

Bij dynamische occupancy-modellen komen daar nog parameters bij voor het verdwijnen uit en koloniseren van locaties. Van Strien en collega’s gebruikten zo’n model om per jaar de bezettingsgraad van kilometerhokken te schatten.

Dat is wezenlijk beter dan simpelweg stippen tellen.

Maar waar haal je bij losse waarnemingen een ‘nul’ vandaan?

Dat is misschien wel het slimste onderdeel van de methode.

Bij opportunistische waarnemingen wordt meestal niet geregistreerd: “ik heb vandaag géén heivlinder gezien.”

Toch kun je soms een bruikbare non-detectie afleiden.

Wanneer een waarnemer op dezelfde dag en dezelfde locatie verschillende andere vlindersoorten heeft ingevoerd, maar niet de soort waarin we geïnteresseerd zijn, bevat dat informatie. Van Strien en collega’s gebruikten dergelijke waarnemingen om detectiegeschiedenissen op te bouwen: de doelsoort waargenomen werd een 1; andere soorten waargenomen maar niet de doelsoort kon onder voorwaarden als 0 worden gebruikt.

Daarbij werd bovendien rekening gehouden met de lengte van soortenlijsten. Eén losse waarneming zegt veel minder over zoekinspanning dan een lijst waarop bijvoorbeeld tien verschillende soorten staan. De onderzoekers maakten daarom onderscheid tussen losse meldingen, korte daglijsten van twee of drie soorten en uitgebreidere daglijsten met meer dan drie soorten.

Het model probeert daarmee als het ware achter de waarneming te kijken.

Niet alleen: wat is gezien?

Maar ook: hoe intensief is waarschijnlijk gezocht en hoe groot was de kans dat de soort zou zijn gevonden als hij aanwezig was?

Het werkt – maar niet perfect

De belangrijke vraag is natuurlijk of zo’n statistische correctie werkelijk werkt.

Van Strien, Van Swaay en Termaat konden dat testen doordat Nederland voor vlinders en libellen zowel grote hoeveelheden losse waarnemingen als gestandaardiseerde meetnetgegevens heeft.

Ze vergeleken 37 vlindersoorten en 40 libellensoorten. Om geografische vertekening bij die vergelijking te voorkomen, gebruikten ze dezelfde kilometerhokken en dezelfde jaren voor beide gegevensbronnen.

De overeenkomst bleek behoorlijk goed.

Voor vlinders correleerden de berekende verspreidingstrends uit opportunistische gegevens sterk met die uit het gestandaardiseerde meetnet: r = 0,90. Voor libellen bedroeg die correlatie r = 0,78.

Dat is overtuigend bewijs dat zulke data bruikbaar kunnen zijn.

Maar “bruikbaar” betekent niet “onfeilbaar”.

Van de vijftien vlindersoorten waarvoor het gestandaardiseerde meetnet een significante trend vond, werden er tien ook in de opportunistische gegevens als significant én in dezelfde richting gevonden. Bij libellen gold dat voor vijf van de elf significante trends. Er waren bovendien trends die in de opportunistische data wel significant waren en in het meetnet niet.

Dat is een belangrijke nuance.

Het model verandert rommelige gegevens niet door statistische magie in perfecte werkelijkheid.

Verspreiding is nog steeds geen populatieomvang

Misschien is dit wel de belangrijkste boodschap voor natuurbeleid.

Occupancy modelling is primair een methode om verspreiding te bepalen. Het zegt hoeveel locaties waarschijnlijk door een soort worden gebruikt, gecorrigeerd voor het feit dat een aanwezige soort soms niet wordt waargenomen.

Dat is iets anders dan het aantal dieren.

Voor populatietrends zijn gestandaardiseerde tellingen daarom buitengewoon waardevol. Wanneer jaarlijks dezelfde routes volgens een vergelijkbaar protocol worden geteld, kan de verandering in aantallen worden gemodelleerd. Ook daarbij moet worden gecorrigeerd voor bijvoorbeeld locatie, seizoen, waarnemingsinspanning en ontbrekende tellingen.

Idealiter hebben we daarom meerdere informatiebronnen naast elkaar:

gestandaardiseerde tellingen voor aantalsontwikkeling, occupancy-modellen voor verspreiding, losse waarnemingen voor aanvullende ruimtelijke informatie en – waar mogelijk – onafhankelijke gegevens over habitat en standplaatsfactoren.

Pas de combinatie vertelt het ecologische verhaal.

Ook een model heeft aannames

Een occupancy-model is geen meetinstrument. Het is een statistisch model en heeft dus aannames.

Een belangrijke is de closure assumption. Gedurende de periode waarin herhaalde waarnemingen worden gebruikt, moet een locatie in beginsel als bezet of onbezet kunnen worden beschouwd. Bij zeer mobiele soorten wordt dat lastiger. De auteurs wijzen er bijvoorbeeld op dat libellen zich meer verplaatsen dan vlinders. In zo’n geval kan occupancy beter worden geïnterpreteerd als het aandeel locaties dat gedurende de onderzochte periode door de soort wordt gebruikt, in plaats van permanente aanwezigheid.

Ook geografische vertekening verdwijnt niet vanzelf.

Natuurliefhebbers gaan nu eenmaal graag naar natuurgebieden. Een gemakkelijk bereikbaar heideveld kan tientallen bezoeken krijgen, terwijl een onaantrekkelijk landbouwgebied nauwelijks wordt bekeken.

Bij voldoende grote datasets kan dat probleem kleiner worden. Als bepaalde gebieden of habitattypen structureel onder- of overbemonsterd blijven, noemen Van Strien en collega’s post-stratificatie en weging als mogelijke correcties.

Van stip naar beleid vraagt bescheidenheid

Daarmee komen we bij een bredere les voor het Nederlandse natuurdebat.

We beschikken over steeds meer gegevens. Dat is fantastisch. Maar meer data betekenen niet automatisch meer zekerheid.

Tussen de werkelijkheid buiten en een beleidsindicator zitten verschillende stappen:

werkelijke natuur → waarneming → database → selectie → statistisch model → trend → ecologische interpretatie → beleidsconclusie.

Bij iedere stap worden keuzes gemaakt.

Welke gebieden tellen mee? Welke periode gebruiken we? Wat noemen we een bezoek? Wanneer mag het ontbreken van een waarneming als non-detectie worden beschouwd? Welke rastergrootte kiezen we? Hoe corrigeren we voor waarnemingsinspanning? En bedoelen we met “achteruitgang” minder individuen, minder verspreiding of beide?

Dat maakt natuurstatistiek niet waardeloos. Het maakt goede natuurstatistiek juist noodzakelijk.

De studie van Van Strien en collega’s laat iets belangrijks zien: zelfs enorme hoeveelheden ogenschijnlijk rommelige burgerdata kunnen wetenschappelijk zeer waardevol worden wanneer expliciet rekening wordt gehouden met detectie, waarnemingsinspanning en selectief rapporteren. De auteurs concluderen dan ook dat opportunistische gegevens voor verspreidingstrends bruikbaar zijn wanneer occupancy-modellen worden toegepast.

Maar de omgekeerde conclusie is minstens zo belangrijk.

Je kunt niet simpelweg alle stippen in een database bij elkaar optellen en dat een natuurtrend noemen.

Eerst zeggen wat we eigenlijk meten

Voor een volwassen natuurbeleid zouden natuurindicatoren daarom minimaal antwoord moeten geven op vier vragen: wat meten we, hoe meten we het, welke onzekerheid zit erin en wat mogen we er ecologisch uit concluderen?

Een verspreidingstrend moet als verspreidingstrend worden gepresenteerd. Een populatietrend als populatietrend. Een gemodelleerde occupancy als een modeluitkomst met onzekerheidsinterval. En een waarneming blijft uiteindelijk gewoon een waarneming.

Dat klinkt misschien als statistische muggenzifterij.

Het tegenovergestelde is waar.

Nederland neemt op basis van natuurgegevens beslissingen over natuurbeheer, landbouw, infrastructuur, woningbouw en miljarden euro’s publiek geld. Dan moeten we niet alleen willen weten wat het model zegt, maar vooral welke werkelijkheid het model probeert te beschrijven.

De natuur begint immers niet in een spreadsheet.

Ze begint buiten.