Ecological monitoring through harmonizing existing data: Lessons from the boreal avian modelling project
Notice bibliographique
Résumé
ABSTRACT To accomplish the objectives of a long‐term ecological monitoring program (LTEM), repurposing research data collected by other researchers is an alternative to original data collection. The Boreal Avian Modelling (BAM) Project is a 10‐year‐old project that has integrated the data from >100 avian point‐count studies encompassing thousands of point‐count surveys, and harmonized across data sets to account for heterogeneity induced by methodological and other differences. The BAM project faced the classic data‐management challenges any LTEM must deal with, as well as special challenges involved with harmonizing so many disparate data sources. We created a data system consisting of 4 components: Archive (to preserve each contributor's data), Avian Database (harmonized point‐count data), Biophysical Database (spatially explicit environmental covariates), and Software Tools library (linking the other components and providing analysis capability). This system has allowed the project to answer many questions about boreal birds; we believe it to be successful enough to merit consideration for use in monitoring other taxa. We have learned a number of lessons that will guide the project as it moves forward. These include the importance of creating a data protocol, the critical importance of high‐quality metadata, and the need for a flexible design that accommodates changes in field techniques. One of the challenges the BAM team faced—gaining access to relevant data sets—may become easier with the increased expectation by journals and funding agencies that documenting and preserving research data be a standard part of scientific research. © 2015 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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».