A multi‐method hierarchical modeling approach to quantifying bias in occupancy from noninvasive genetic tagging studies
Notice bibliographique
Résumé
ABSTRACT Detecting ecological change in mammalian communities requires large volumes of data collected across large landscapes. Noninvasive genetic tagging (NGT) can provide such data and is a common method of estimating species occupancy, distribution, and abundance. Methods to correct errors in genetic analysis exist, but estimating and accounting for detection error in NGT studies—specifically, detection error during hair trapping—has received less attention. If detectability varies with an ecological characteristic that is instead attributed to occupancy, detection error may lead to spurious conclusions. We demonstrate how multi‐method occupancy models informed by camera‐trapping data can quantify error, partition sources of variability, and estimate occupancy from NGT studies. We surveyed marten ( Martes americana ), fisher ( Pekania pennanti ), and wolverine ( Gulo gulo ) occurrence via hair trapping and camera trapping for 3 repeated monthly surveys at 66 sites in the Rocky Mountains of Alberta, Canada. Camera traps photographed the hair traps and surrounding sampling site. We used multi‐method occupancy models to estimate site occupancy, probability of detection, and conditional occupancy at a hair trap. We tested the predictions that detection error in NGT studies could be induced by temporal variability and behavioral variability arising from the presence of heterospecifics. Models indicated that NGT via hair trapping consistently underestimated occupancy of marten, fisher, and wolverine compared to cameras. The magnitude of bias varied, but at worst underestimated occupancy by half. The presence of a heterospecific affected a species' detection at hair traps. Wolverine presence increased marten detection, whereas marten decreased fisher detection at NGT traps. For all species, detection error was reduced through successive monthly surveys, although heterogeneity induced by other mustelids remained. Detection error from multiple sources can bias NGT occupancy estimates, with implications for population estimation, ecological inference, species' legal status assessments, and conservation decisions. We recommend that NGT studies quantify and correct for detection error using independent survey methods and multi‐method occupancy models, to improve the ability to answer ecological questions and make conservation decisions in the face of ecological change. © 2014 The Wildlife Society.
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 | 0,002 | 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 ».