Evaluating Global Positioning System Telemetry Techniques for Estimating Cougar Predation Parameters
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
ABSTRACT Using clusters of locations obtained from Global Positioning System (GPS) telemetry collars to identify predation events may allow more efficient estimation of behavioral predation parameters for the study and management of large carnivore predator‐prey systems. Applications of field‐ and model‐based GPS telemetry cluster techniques, however, have met with mixed success. To further evaluate and refine these techniques for cougars ( Puma concolor ), we used data from visits to 1,735 GPS telemetry clusters, 637 of which were locations where cougars killed prey >8 kg in a multi‐prey system in west‐central Alberta. We tested 1) whether clusters were reliably created at kill locations, 2) the ability of logistic regression models to identify kill occurrence (prey >8 kg) and multinomial regression models to identify the prey species at a kill cluster, and 3) the duration of monitoring required to accurately estimate kill rate and prey composition. We found that GPS collars programmed to attempt location fixes every 3 hours consistently identified locations where prey >8 kg were handled, and cluster creation was robust to GPS location acquisition failures (poor collar fix success). The logistic regression model was capable of estimating cougar kill rate with a mean 5‐fold cross validation error of <10%, provided the appropriate probability cutoff distinguishing kill clusters from non‐kill clusters was selected. Logistic models also can be used to direct visits to clusters, reducing field efforts by as much as 25%, while still locating >95% of all kills. The multinomial model overpredicted occurrence of primary prey (deer) in the diet and underpredicted consumption of alternate prey (e.g., elk and moose) by as much as 100%. We conclude that a purely model‐based approach should be used cautiously and that field visitation is required to obtain reliable information on species, sex, age, or condition of prey. Ultimately, we recommend a combined approach that involves using models to direct field visitation when estimating behavioral predation parameters. Regardless of the monitoring approach, long continuous monitoring periods (i.e., >100 days of a 180‐day period) were necessary to reduce bias and imprecision in kill rate and prey composition 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.
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 | 0,001 | 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 découle