Comparison of methods to detect rare and cryptic species: a case study using the red fox (Vulpes vulpes)
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
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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