Combining data from 43 standardized surveys to estimate densities of female American black bears by spatially explicit capture–recapture
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 Spatially explicit capture–recapture (SECR) models are gaining popularity for estimating densities of mammalian carnivores. They use spatially explicit encounter histories of individual animals to estimate a detection probability function described by two parameters: magnitude ( g 0 ), and spatial scale (σ). Carnivores exhibit heterogeneous detection probabilities and home range sizes, and exist at low densities, so g 0 and σ likely vary, but field surveys often yield inadequate data to detect and model the variation. We sampled American black bears ( Ursus americanus ) on 43 study areas in ON, Canada, 2006–2009. We detected 713 animals 1810 times; however, study area‐specific samples were sometimes small (6–34 individuals detected 13–93 times). We compared AIC c values from SECR models fit to the complete data set to evaluate support for various forms of variation in g 0 and σ, and to identify a parsimonious model for aggregating data among study areas to estimate detection parameters more precisely. Models that aggregated data within broad habitat classes and years were supported over those with study area‐specific g 0 and σ (ΔAIC c ≥ 30), and precision was enhanced. Several other forms of variation in g 0 and σ, including individual heterogeneity, were also supported and affected density estimates. If study design cannot eliminate detection heterogeneity, it should ensure that samples are sufficient to detect and model it. Where this is not feasible, combing sparse data across multiple surveys could allow for improved inference.
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 | 0,000 |
| 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) | 0,003 | 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