Electronic tracking tag programming is critical to data collection for behavioral time-series analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electronic tracking tags are major tools of ecological research and management, but programming sophisticated tags can be challenging. We discovered that a common programming scheme can negatively affect the quality of tracks collected by Argos tags. Here we describe the problem and how it occurred. We then simulated a series of tracks with different data collection schemes to investigate how spatial precision and temporal frequency affect the overall quality of tracking data. Tracks were simulated using a two-state composite correlated random walk (CCRW). Tracks were simulated with two spatial scales, using parameters estimated from northern elephant seal (large scale) and California sea lion (small scale) tracking data. Onto each simulated track, observations of varying precision, frequency, and censoring were imposed. We then fit the CCRW in a state-space model (SSM) to the simulated observations in order to assess how data quality and frequency affected recovery of known behavioral state and location. We show that when movement scales are small, regular observations were critical to recover behavior and location. In addition, tracks with frequent regular locations (increasing N) overcame low spatial accuracy (e.g., Argos) to detect small-scale movement patterns, suggesting frequently collected Argos locations may be as good as infrequently collected GPS in some circumstances. From these results and our experience tracking animals generally, we produce a set of guidelines for those manufacturing, programming, and deploying electronic tracking tags to maximize the utility of the data they produce.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,030 | 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 découle