Estimating Detection Probabilities of Waterfowl Broods From Ground‐Based Surveys
Notice bibliographique
Résumé
ABSTRACT Brood:pair ratios could provide an economical method for assessing spatial or temporal variation in waterfowl productivity, but such estimators are severely biased by incomplete detection of broods. We conducted 3 sequential counts of 1,357 waterfowl broods in northeastern North Dakota, USA, and used closed‐population mark‐recapture models to estimate total brood abundance while controlling for variation in detection probabilities ( p ). Blue‐winged teal ( Anas discors ) broods had the lowest average detection probability ( p = 0.305), whereas diving‐duck broods had the highest average detectability ( p = 0.571). Detection was generally highest in morning or evening, but temporal patterns varied among species and there was no survey window that maximized detection probabilities for all species. Detection probabilities averaged 0.108 (SD = 0.056) higher for an experienced observer versus an inexperienced observer. Detection probabilities were 0.044 higher for roadside versus walk‐up surveys and increased with increasing brood size, total brood abundance, survey date, wind speed, temperature, cloud cover, and amount of time spent surveying each wetland. Detection probabilities declined with increasing wetland size and amount of tall peripheral vegetation. Our mark‐recapture results indicated that a traditional unreplicated brood survey would have missed 67.5% of estimated broods, summed over all species. Use of closed‐population mark‐recapture techniques provided an effective method for reducing this bias and identifying and quantifying factors that reduce detection probabilities of waterfowl broods. We recommend that future brood surveys incorporate 2 or 3 temporally segregated replicate counts to allow for formal estimation of detection probabilities.
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 | 0,000 | 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 ».