An urn model for species richness estimation in quadrat sampling from fixed-area populations
Notice bibliographique
Résumé
A simple urn model species richness estimator applicable to quadrat sampling from a fixed-area sessile population composed of N quadrats is proposed. The urn model rests on the assumption that the proportion of quadrats with species that occurred in just one of the n sampled quadrats is proportional to the probability of discovering a new species if one quadrat is added to the sample. The urn model works by making one-step-ahead sequential predictions of new species discoveries for all N − n quadrats not in the original sample. The probability of a new discovery changes dynamically as predictions are made. The urn scheme is repeated a large number of times to yield a resampling distribution of richness from which the mean is obtained as the estimate of richness. The variance of the resampling distribution quantifies the prediction variance. Quantiles (0.025 and 0.975) of the resampling distribution were taken as the upper and lower limit of a 95 per cent confidence interval for the true richness. In simulated low-intensity quadrat sampling from 10 fixed-area populations of forest trees, the urn estimator had the lowest bias and root mean-squared errors and the best coverage of 95 per cent confidence intervals. Attractive ‘asymptotic’ properties of the urn model were demonstrated with three artificial benchmark populations.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».