Contrasting aerial moose population estimation methods and evaluating sightability in west‐central Alberta, Canada
Notice bibliographique
Résumé
ABSTRACT Population assessment is a primary component of ungulate management, but managers are continuously under pressure to reduce survey cost. Another concern in aerial surveys is accounting for undetected animals (i.e., visibility bias). Currently, a stratified random block‐survey design (hereafter, block‐surveys) is used to develop moose ( Alces alces ) population estimates in several regions of North America. In this case study, we evaluated the application of distance sampling as an alternative to block‐surveys in Alberta, Canada. We conducted distance‐sampling surveys in 2010 and 2012 and compared density estimates, precision (coeff. of variation) and flight effort (hr/100 km 2 of survey area) to block‐surveys flown in 2002, 2007, 2009, and 2012. To assess sightability bias and subsequently correct for moose missed on the transect line, we developed a predictive sightability model using 41 sightability trials with 21 radiocollared moose in 2009 and 2010. Without correcting for visibility bias on the transect line, distance sampling was more efficient in terms of flight‐hours than block‐surveys, while providing population estimates with similar or higher precision. Estimated sightability on the transect line was 67% in 2010 and 46% in 2012, which was used to re‐scale the detection functions. Considering that population estimates from block‐surveys as applied in Alberta are based on observable moose, distance sampling with a sightability correction likely provided more accurate estimates. Our results support the application of distance sampling as an alternative to block‐surveys, but we suggest further investigation of methods for correcting visibility bias on the transect line. © 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 | 0,001 |
| 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) | 0,001 | 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 ».