Leopard<i>Panthera pardus fusca</i>Density in the Seasonally Dry, Subtropical Forest in the Bhabhar of Terai Arc, Nepal
Notice bibliographique
Résumé
We estimated leopard (Panthera pardus fusca) abundance and density in the Bhabhar physiographic region in Parsa Wildlife Reserve, Nepal. The camera trap grid, covering sampling area of 289 km2with 88 locations, accumulated 1,342 trap nights in 64 days in the winter season of 2008-2009 and photographed 19 individual leopards. Using models incorporating heterogeneity, we estimated 28 (±SE 6.07) and 29.58 (±SE 10.44) leopards in Programs CAPTURE and MARK. Density estimates via 1/2 MMDM methods were 5.61 (±SE 1.30) and 5.93 (±SE 2.15) leopards per 100 km2using abundance estimates from CAPTURE and MARK, respectively. Spatially explicit capture recapture (SECR) models resulted in lower density estimates, 3.78 (±SE 0.85) and 3.48 (±SE 0.83) leopards per 100 km2, in likelihood based program DENSITY and Bayesian based program SPACECAP, respectively. The 1/2 MMDM methods have been known to provide much higher density estimates than SECR modelling techniques. However, our SECR models resulted in high leopard density comparable to areas considered better habitat in Nepal indicating a potentially dense population compared to other sites. We provide the first density estimates for leopards in the Bhabhar and a baseline for long term population monitoring of leopards in Parsa Wildlife Reserve and across the Terai Arc.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».