State‐space framework for estimating measurement error from double‐tagging telemetry experiments
Notice bibliographique
Résumé
Summary 1. Double‐tagging experiments are invaluable for determining the accuracy and precision of location data provided by different telemetry technologies used with free‐ranging animals. 2. We developed a state‐space modelling framework for estimating the precision of telemetry location data based on double‐tagging experiments. The model is simultaneously fitted to multiple data types with different temporal resolutions while including errors in all data. 3. We used the model to estimate the precision of a specific geolocation method based on light and sea surface temperature applied to a large marine telemetry dataset. Data were available from double‐tagging experiments on 111 animals representing seven marine species including 4 sharks, 2 birds and 1 pinniped. Study animals carried electronic tags that provided geolocation estimates as well as more precise satellite‐based location data (Argos and Global Positioning System). 4. Estimates of the precision of geolocations were similar to previous findings. The overall estimated SD of geolocation errors for each species ranged from 0·5 to 3·9° for longitude and 0·8 to 3·6° for latitude. 5. While these results are specific to this particular type of location estimation method, the state‐space framework presented here is a robust approach to estimating the precision of various types of telemetry location data from double‐tagging experiments. The model simultaneously allows for appropriate inferences about true animal locations and movement.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».