Using Patterns in Track‐Plate Footprints to Identify Individual Fishers
Notice bibliographique
Résumé
Abstract: If individuals can be identified from patterns in their footprints, noninvasive survey methods can be used to estimate abundance. Track plates capture fine detail in the footprints of fishers ( Martes pennanti ), recording rows of dots corresponding to tiny papillae on the animal's metacarpal pad. We show that the pattern of these dots can be used to identify individual fishers, similar to human fingerprints. A probabilistic model of uniqueness based on variation in spacing between 1,400 pairs of dots that we measured in prints of 14 different fisher feet suggests the probability of encountering a similar pattern in the print of a different foot by chance alone is ≤ 0.35 n , where n = the number of dot pairs examined. This predicts a 0.00003 probability that a match made using 10 pairs of dots is false. Dot spacing from footprints made by the same foot was remarkably consistent (sN = 0.02 mm, n = 24 dot pairs). Combined, these results suggest dot patterns in fisher footprints were unique to individuals and were consistently reproduced on track plates. Empirical tests of matching accuracy were best with good‐quality prints, highlighting the need for experience judging when prints are usable. We applied print matching to fisher detections collected on track plates deployed at 500‐m intervals along 10 3.5‐km transects in the Adirondack region of New York, USA. Of 62 fisher detections, 85% had ≥ 1 footprint of suitable quality to compare with other high‐quality prints. We found that most detections from a transect were from the same individual fisher suggesting nonindependence of detections. Thus, data from traditional track‐plate deployments over small time periods cannot be used as a measure of abundance, but new study designs using print matching could obtain robust noninvasive, mark—recapture density estimates.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».