Detection and stratification approaches for aerial surveys of deer in prairie–parklands
Notice bibliographique
Résumé
Context For management decisions that require accurate and precise estimates of large mammal population numbers, aerial surveys are considered reliable despite their cost. However, aerial surveys may still suffer from underestimation because of undetected animals and low precision as a result of inefficient sampling designs. Aims We assess detection of two species of deer in prairie-parkland communities of western Canada and evaluate a suite of survey design features for improving the accuracy and precision of population estimates from aerial surveys. Methods Modelling detection of deer was based on 100 sightability trials involving 54 radio-collared white-tailed and 46 mule deer. We used empirical survey data to simulate surveys under three alternative stratification approaches, schemes for grouping strata, and allocations of survey effort and compared the precision and accuracy of the resulting population estimates. Key results We observed deer in 83 of the 100 trials, with detection decreasing with small group size, reduced deer activity, low snow cover, high forest cover and observer fatigue. Survey precision and accuracy were highest when stratification was based on natural breaks, calculated via Jenks optimisation, in the values of resource-selection function (RSF), although improvement was less pronounced for estimates of mule deer abundance. Optimal or equal allocation of sampling effort among strata outperformed proportional allocation of sampling effort. Use of RSF for stratification reduced the coefficient of variation (CV) in estimates of deer numbers from 38% to 23% for white-tailed deer and from 33% to 27% for mule deer compared with past approaches. Conclusions Stratification based on RSF values improved precision of deer surveys the most; however, using even simple measures related to habitat selection can improve population estimates. Where deer are highly aggregated, reliably recording all variables needed to implement sightability models can prove problematic; however, survey detection adjustments are nevertheless important to account for the relatively small, but still significant, proportion of missed animals in open prairie–parkland environments. Implications Field experiments to assess aerial survey design are impractical because of cost. We illustrate how simulated surveys using empirical data can be useful to evaluate alternative survey designs to improve population estimates in a region when high accuracy or precision are needed to address management questions or to calibrate more cost-effective approaches.
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 | 0,005 | 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 ».