MétaCan
Menu
Retour à la cohorte
Enregistrement W2108997345 · doi:10.1071/wr08069

Comparison of methods to detect rare and cryptic species: a case study using the red fox (Vulpes vulpes)

2009· article· en· W2108997345 sur OpenAlexaff
S. J. Vine, Mathew S. Crowther, Steven J. Lapidge, Chris R. Dickman, Nick Mooney, Maxine P. Piggott, Anthony English

Notice bibliographique

RevueWildlife Research · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensDepartment of Environment and Conservation
Organismes subventionnairesnon disponible
Mots-clésVulpesTransectWildlifeBiologyWildlife managementZoologyMartenWildlife conservationMicrosatelliteEcologyHabitatPredation

Résumé

récupéré en direct d'OpenAlex

Choosing the appropriate method to detect and monitor wildlife species is difficult if the species is rare or cryptic in appearance or behaviour. We evaluated the effectiveness of the following four methods for detecting red foxes (Vulpes vulpes) on the basis of equivalent person hours in a rural landscape in temperate Australia: camera traps, hair traps (using morphology and DNA from hair follicles), scats from bait stations (using DNA derived from the scats) and spotlighting. We also evaluated whether individual foxes could be identified using remote collection of their tissues. Genetic analysis of hair samples was the least efficient method of detection among the methods employed because of the paucity of samples obtained and the lack of follicles on sampled hairs. Scat detection was somewhat more efficient. Scats were deposited at 17% of bait stations and 80% of scats were amplified with a fox-specific marker, although only 31% of confirmed fox scats could be fully genotyped at all six microsatellite loci. Camera trapping and spotlighting were the most efficient methods of detecting fox presence in the landscape. Spotlighting success varied seasonally, with fox detections peaking in autumn (80% of spotlighting transects) and being lowest in winter (29% of transects). Cameras detected foxes at 51% of stations; however, there was limited seasonality in detection, and success rates varied with camera design. Log-linear models confirmed these trends. Our results showed that the appropriate technique for detecting foxes varies depending on the time of the year. It is suggested that wildlife managers should consider both seasonal effects and species biology when attempting to detect rare or elusive species.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,160

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,026
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,201
Tête enseignante GPT0,479
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations132
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWildlife ResearchMême sujetWildlife Ecology and ConservationTravaux en français237 207