How to infer population trends in sparse data: examples with opportunistic sighting records for great white sharks
Notice bibliographique
Résumé
Abstract Aim Biodiversity is declining at accelerating rates. Understanding past and ongoing changes to biodiversity is paramount in prioritizing conservation action and restoring functional ecosystems. Yet long‐term, systematic data on the distribution and abundance of species are sparse. For many organisms, specimen collections and anecdotal accounts of chance sightings or captures constitute the only source of information. Such data have the potential to provide valuable insights on long‐term ecosystem changes, but are often neglected because they are difficult to analyse quantitatively. Here we review available methods and introduce a new approach. Location Historic data on sightings and captures of great white sharks in the eastern Adriatic and off eastern Canada serve to illustrate the utility of both the existing methods and the new approach. Method Unlike existing methods, the new approach focuses on estimating population trends rather than verifying extinction and explicitly addresses uncertainty over observation effort via two tiers of sensitivity analysis. It fits a series of generalized linear models that provide multiple estimates of declines under alternate scenarios regarding the appropriate reference period and observer trends. Programming code to implement the approach in freely available software is provided as supplementary material. Results Example analyses of great white shark sightings suggest that local populations of this species have suffered dramatic declines, both in the eastern Adriatic and along Canada’s eastern coast. Although not yet extinct, this top predator may therefore no longer be able to fulfil its former ecological role. Main conclusions Careful quantitative analyses of imperfect historical data can provide valuable insights into past ecological changes. Such insights are crucial to improved management and restoration of individual species and their ecosystems. We therefore hope that our review of available methods will facilitate quantitative evaluations of species for which analysis was previously impeded by a lack of systematically collected data.
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 | 0,000 | 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 ».