Using Latent Selection Difference to Model Persistence in a Declining Population
Notice bibliographique
Résumé
Population persistence is a direct measure of the viability of a population. Monitoring the distribution of declining populations or subpopulations over time can yield estimates of persistence, which we show can be modeled as a latent selection difference (LSD) contrasting attributes of sites where populations have persisted versus those that have not. Predicted persistence can be modeled with predictor covariates to identify factors correlated with species persistence. We demonstrate how to model persistence based on changes in occupancy that can include adjustments for detection probability. Using a known historical distribution of the western grebe (Aechmophorus occidentalis), we adapted methods originally developed for occupancy modeling to evaluate how environmental covariates including emergent vegetation and human developments have affected western grebe persistence in Alberta. The relative probability of persistence was correlated with the extent of shoreline bulrush (Scirpus lacustris), which is important vegetation for nesting cover. We also documented that western grebe populations were less likely to persist on lakes in the boreal forest, primarily located on the northern boundary of the species' range. Factors influencing occupancy were different than those determining persistence by western grebes; persistence and occupancy were not correlated. Persistence was more likely on lakes with recreational development, reflecting reliance by grebes on the larger, fish-bearing waterbodies that also are attractive for lakeshore development. Unfortunately, the correlation with recreational development on Alberta's lakes puts grebes at risk for loss of brood-rearing habitats--primary threats to altricial birds--if steps are not taken to prevent disturbance to bulrush stands. Identifying factors related to the persistence of a species--especially one in decline--is a fundamental step in conservation management.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».