Home range and habitat analysis using dynamic time geography
Notice bibliographique
Résumé
ABSTRACT Wildlife home ranges continue to be a common spatial unit for modeling animal habitat selection. Telemetry data are increasing in spatial and temporal detail and new methods are being developed to incorporate fine resolution data into home range delineation. We extended a previously developed home range estimation technique that incorporates theory from time geography, the potential path area (PPA) home range, to allow the home range to be defined at multiple spatial scales depending on the observed rate of movement within the data. The benefits of this approach are demonstrated with a simulation study, which uses multi‐state correlated random walks to represent dynamic movement phases to compare the modified PPA home range technique with a suite of other home range estimation methods (PPA home range, kernel density estimation, Brownian bridges, and dynamic Brownian bridges). We used a case study on caribou ( Rangifer tarandus ) movement from northern Canada to highlight the value of this approach for characterizing habitat conditions associated with wildlife habitat analysis. We used a simple habitat covariate, percent forest cover, to explore the potential for misleading habitat estimates when home ranges do not include potentially visited locations (omission area) or include areas not possibly visited (commission area). We highlight the advantages of the dynamic PPA home range in the context of quantifying omission and commission areas in other home range techniques. Finally, we provide our R code for calculating dynamic PPA home range estimates. © 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 | 0,001 |
| 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) | 0,000 | 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 ».