Population models for Greater Snow Geese: a comparison of different approaches to assess potential impacts of harvest
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Demographic models, which are a natural extension of capture-recapture (CR) methodology, are a powerful tool to guide decisions when managing wildlife populations. We compare three different modelling approaches to evaluate the effect of increased harvest on the population growth of Greater Snow Geese (Chen caerulescens atlantica). Our first approach is a traditional matrix model where survival was reduced to simulate increased harvest. We included environmental stochasticity in the matrix projection model by simulating good, average, and bad years to account for the large inter-annual variation in fecundity and first-year survival, a common feature of birds nesting in the Arctic. Our second approach is based on the elasticity (or relative sensitivity) of population growth rate (lambda) to changes in survival as simple functions of generation time. Generation time was obtained from the mean transition matrix based on the observed proportion of good, average and bad years between 1985 and 1998. If we assume that hunting mortality is additive to natural mortality, then a simple formula predicts changes in lambda as a function of changes in harvest rate. This second approach can be viewed as a simplification of the matrix model because it uses formal sensitivity results derived from population projection. Our third, and potentially more powerful approach, uses the Kalman Filter to combine information on demographic parameters, i.e. the population mechanisms summarized in a transition matrix model, and the census information (i.e. annual survey) within an overall Gaussian likelihood. The advantage of this approach is that it minimizes process and measured uncertainties associated with both the census and demographic parameters based on the variance of each estimate. This third approach, in contrast to the second, can be viewed as an extension of the matrix model, by combining its results with the independent census information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle