Simulating carnivore movements: An occupancy–abundance relationship for surveying wolves
Notice bibliographique
Résumé
Abstract Where carnivore species exist at low densities, are cryptic, and inhabit forested habitats where detection is low, survey approaches commonly rely on observation of tracks. Recent advances in probability sampling for aerial surveys of track networks in snow show promise for improving density estimates, but they are not applicable when continuously following a track network is not possible. Occupancy–abundance modeling is an alternative survey approach for wide‐ranging carnivores, but past models may not be appropriate when using tracks because tracks of one individual or group of individuals may extend across several survey units. We derived an occupancy–abundance relationship by simulating the intersection of wolf ( Canis lupus ) travel paths and survey grid cells for a range of wolf‐pack densities. Wolf movement paths were simulated using a habitat‐biased, correlated random walk movement model using step lengths and turning angles of 17 Global Positioning System (GPS)‐collared wolves in west‐central Alberta, Canada. We estimated occupancy levels for a range of pack densities found in North America and found that pack density was linearly related to the proportion of occupied survey units. Concurrent movement paths of 5 GPS‐collared wolf packs were used to evaluate the model predictions. While the model overestimated the number of packs by 33%, the difference translated into only 13 wolves across the study area. We discuss improvements for continued development of occupancy surveys as a potential method to determine carnivore abundance where other approaches are not feasible. © 2012 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 | 0,000 | 0,000 |
| 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 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 ».