A hierarchical Bayesian approach to multi‐state mark–recapture: simulations and applications
Notice bibliographique
Résumé
Summary Mark–recapture models are valuable for assessing diverse demographic and behavioural parameters, yet the precision of traditional estimates is often constrained by sparse empirical data. Bayesian inference explicitly recognizes estimation uncertainty, and hierarchical Bayes has proven particularly useful for dealing with sparseness by combining information across data sets. We developed a general hierarchical Bayesian multi‐state mark–recapture model, tested its performance on simulated data sets and applied it to real ecological data on stopovers by migratory birds. Our hierarchical model performed well in terms of both precision and accuracy of parameters when tested with simulated data of varying quality (sample size, capture and survivorship probabilities). It also provided more precise and accurate parameter estimates than a non‐hierarchical model when data were sparse. A specific version of the model, designed for estimation of daily transience and departure of migratory birds at a mid‐route stopover, was applied to 11 years of autumn migration data from Atlantic Canada. Hierarchical estimates of departure and transience were more precise than those derived from parallel non‐hierarchical and frequentist methods, and indicated that inter‐annual variability in parameters suggested by these other methods was largely due to sampling error. Synthesis and applications. Estimates of demographic parameters, often derived from mark–recapture studies, provide the basis for evaluating the status of species at risk, for developing conservation and management strategies and for evaluating the results of current protocols. The hierarchical Bayesian multi‐state mark–recapture model presented here permits partitioning of complex parameter variation across space or time, and the simultaneous analysis of multiple data sets results in a marked increase in the precision of estimates derived from sparse capture data. Its structural flexibility should make it a valuable tool for conservation ecologists and wildlife managers.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».