Using Resource Selection Functions to Improve Estimation of Elk Population Numbers
Notice bibliographique
Résumé
Abstract: Stratification is commonly used to improve sampling efficiency of aerial surveys of ungulate populations with strata typically based on a priori information, such as preflight animal observations or vegetation attributes as surrogates for animal densities. We evaluated the usefulness of stratifying survey units for elk ( Cervus elaphus ) in the Rocky Mountain foothills of Alberta, Canada, using a resource selection function (RSF). We compared precision and design efficiency (DEFF) of population estimates from stratification approaches based on an RSF model to the past approach using amount of forest cover. We used a sample of telemetry relocations taken over a 3‐year period from 165 elk, rarified to times of the day and months of the year when aerial surveys are conducted, to develop the RSF. We then used the top RSF model, based on Akaike's Information Criterion, to derive the average RSF value for an 8‐km 2 survey unit. Using survey data from the first year, we evaluated binning schemes to define RSF‐oriented strata based on poststratification and showed that Jenks natural breaks in the RSF values provided the greatest improvement in DEFF and increased precision, compared to 2 other stratification schemes. We then used this approach with data from 2 additional surveys to find that stratification by RSF consistently improves relative precision and design efficiency of elk population estimates, whether we employ pre‐ or poststratification. Where a RSF is available it could be used as a surrogate for animal densities when conducting stratified sampling for population surveys.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».