Statistical Methods for Identifying Wolf Kill Sites Using Global Positioning System Locations
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.
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 | 0,030 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».