Can camera trapping provide accurate estimates of small mammal ( Myodes rutilus and Peromyscus maniculatus ) density in the boreal forest?
Notice bibliographique
Résumé
Abstract Estimating population densities of small mammals (< 100g) has typically been carried out by intensive livetrapping, but this technique may be stressful to animals and the effort required is considerable. Here, we used camera traps to detect small mammal presence and assessed if this provided a feasible alternative to livetrapping for density estimation. During 2010–2012, we used camera trapping in conjunction with mark–recapture livetrapping to estimate the density of northern red-backed voles ( Myodes rutilus ) and deer mice ( Peromyscus maniculatus ) in the boreal forest of Yukon, Canada. Densities for these 2 species ranged from 0.29 to 9.21 animals/ha and 0 to 5.90 animals/ha, respectively, over the course of this investigation. We determined if hit window—the length of time used to group consecutive videos together as single detections or “hits”—has an effect on the correlation between hit rate and population density. The relationship between hit rate and density was sensitive to hit window duration for Myodes with R2 values ranging from 0.45 to 0.59, with a 90-min hit window generating the highest value. This relationship was not sensitive to hit window duration for Peromyscus , with R2 values for the tested hit windows ranging from 0.81 to 0.84. Our results indicate that camera trapping may be a robust method for estimating density of small rodents in the boreal forest when the appropriate hit window duration is selected and that camera traps may be a useful tool for the study of small mammals in boreal forest habitat.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».