Notice bibliographique
Résumé
ABSTRACT Resource selection functions (RSFs) are statistical models defined to be proportional to the probability of use of a resource unit. My objective with this review is to identify how RSFs can be used to unravel the influence of scale in habitat selection. In wildlife habitat studies, including radiotelemetry, RSFs can be estimated using a variety of statistical methods, all of which can be used to explore the role of scale. All RSFs are bounded by the resolution of data and the spatial extent of the study area, but also allow predictor covariates to be measured at a variety of scales. Conditional logistic regression permits designs (e.g. matched case) that relate the process of habitat selection to a limited domain of resource units that might better characterize what is truly ‘available’ to the animal. Scale influences the process of habitat selection, e.g. food resources are often selected at fine spatial scales, whereas landscape patterns at much larger scales typically influence the location of home ranges. Scale also influences appropriate sampling in many ways: (1) heterogeneity might be obliterated (transmutation) if resolution or grain size is too large, (2) variance of habitat characteristics might be undersampled if extent or domain is too small, (3) timing and duration of observations can influence RSF models, and (d) both spatial and temporal autocorrelations can vary directly with the intensity of sampling. Using RSFs, researchers can examine habitat selection at multiple scales, and predictive models that bridge scales can be estimated. Using Geographical Information Systems, predictor covariates in RSF models can be measured at different scales easily so that the predictive ability of models at alternative spatial and temporal domains can be explored by the investigator. Identification of the scale that best explains the data can be evaluated by comparing alternative models using information‐theoretic metrics such as Akaike Information Criteria, and predictive capability of the models can be assessed using k‐fold cross validation.
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 | 0,008 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».