Likelihood‐based photograph identification: Application with photographs of free‐ranging bison
Notice bibliographique
Résumé
ABSTRACT Using photographs to identify individual animals and monitor populations is becoming more common. However, photographic identification methods where measurements of morphological traits (e.g., horn length) are compared have received little attention. We present an approach for aiding with the identification of individual animals from photographs. The approach incorporates measurement data, metadata from photographs, and multiple sources of error, and calculates a matching score between pairs of photographs using a likelihood‐based algorithm. We tested and identified the false‐rejection error rate using 91 photographs, representing 33 known free‐ranging bison ( Bison bison ), and 117 simulated data sets with varying numbers of unique individuals, morphological measurements, and photograph error. We then used the approach to estimate the adult population size of bison in Prince Albert National Park, Canada, in 2011. For bison, the false‐rejection rate of our approach was 0.055. Using a Huggins closed population model with misidentification, we estimated 103 (95% CI = 82–130) and 46 (95% CI = 37–58) adult female and male bison, respectively. After incorporating field‐based calf‐ and juvenile‐to‐female ratios, we estimated 202 (95% CI = 171.6–231.4) bison. We found this estimate to be plausible using 2 minimum‐count aerial surveys conducted in March 2011 and 2012 for comparison. With our approach, researchers and managers can build capture histories of individuals, which can be used for studies of population dynamics and habitat selection. This approach can incorporate any morphological measurements extracted from photographs (e.g., coat color), making it robust to a variety of species and study systems. © 2013 The Wildlife Society.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,003 | 0,001 |
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 ».