Statistical Methods for Identifying Wolf Kill Sites Using Global Positioning System Locations
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: Accurate estimates of kill rates remain a key limitation to addressing many predator—prey questions. Past approaches for identifying kill sites of large predators, such as wolves ( Canis lupus ), have been limited primarily to areas with abundant winter snowfall and have required intensive ground‐tracking or aerial monitoring. More recently, attempts have been made to identify clusters of locations obtained using Global Positioning System (GPS) collars on predators to identify kill sites. However, because decision rules used in determining clusters have not been consistent across studies, results are not necessarily comparable. We illustrate a space—time clustering approach to statistically define clusters of wolf GPS locations that might be wolf kill sites, and we then use binary and multinomial logistic regression to model the probability of a cluster being a non—kill site, kill site of small‐bodied prey species, or kill site of a large‐bodied prey species. We evaluated our approach using field visits of kills and assessed the accuracy of the models using an independent dataset. The cluster‐scan approach identified 42–100% of wolf‐killed prey, and top logistic regression models correctly classified 100% of kills of large‐bodied prey species, but 40% of small‐bodied prey species were classified as nonkills. Although knowledge of prey distribution and vulnerability may help refine this approach, identifying small‐bodied prey species will likely remain problematic without intensive field efforts. We recommend that our approach be utilized with the understanding that variation in prey body size and handling time by wolves will likely have implications for the success of both the cluster scan and logistic regression components of the technique. (JOURNAL OF WILDLIFE MANAGEMENT 72(3):798–807; 2008)
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