Factors Affecting Detection of Burrowing Owl Nests During Standardized Surveys
Notice bibliographique
Résumé
Abstract: Identifying causes of declines and evaluating effects of management practices on persistence of local populations of burrowing owls ( Athene cunicularia ) requires accurate estimates of abundance and population trends. Moreover, regulatory agencies in the United States and Canada typically require surveys to detect nest burrows prior to approving developments or other activities in areas that are potentially suitable for nesting burrowing owls. In general, guidelines on timing of surveys have been lacking and surveys have been conducted at different times of day and in different stages of the nesting cycle. We used logistic regression to evaluate 7 factors that could potentially affect probability of a surveyor detecting a burrowing owl nest. We conducted 1,444 detection trials at 323 burrowing owl nests within 3 study areas in Washington and Wyoming, USA, between February and August 2000–2002. Detection probability was highest during the nestling period and increased with ambient temperature. The other 5 factors that we examined (i.e., study area, time of day, timing within the breeding season, wind speed, % cloud cover) interacted with another factor to influence detection probability. Use of call‐broadcast surveys increased detection probability, even during daylight hours when we detected >95% of owls visually. Optimal timing of surveys will vary due to differences in breeding phenology and differences in nesting behavior across populations. Nevertheless, we recommend ≥3 surveys per year: one that coincides with the laying and incubation period, another that coincides with the early nestling period, and a third that coincides with the late nestling period. In northern latitudes, surveys can be conducted throughout the day. (JOURNAL OF WILDLIFE MANAGEMENT 72(3):688–696; 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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».