Estimating occupancy using spatially and temporally replicated snow surveys
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Occupancy modelling is increasingly used to monitor changes in the spatial distribution of rare and threatened species. Occupancy methods have traditionally relied upon temporally replicated surveys to estimate detection probability. Recently, occupancy models with spatial replication have been used to estimate detection probabilities over large geographical areas that are difficult to survey repeatedly. We developed occupancy models that combine spatially and temporally replicated data and applied them to snow‐tracking surveys of six species, including wolverine G ulo gulo and C anadian lynx L ynx canadensis . We surveyed thirty‐nine 100‐km 2 cells and used 1‐km trail segments within cells as spatial replicates. We surveyed 56% of the cells once and 44% of the cells between 2 and 14 times, resulting in a total of 872 km surveyed. We compared four occupancy models that incorporated spatial correlation in detection probability and hierarchically estimated occupancy at two spatial scales: cell occupancy and segment presence. We detected strong serial correlation in probability of detection for all species. Our models with serial correlation had higher occupancy estimates with larger confidence intervals than models assuming segments were independent and exchangeable. Spatial and temporal replicates have identical power to detect decreases in occupancy when survey segments are independent, but spatial correlation in detection probability can reduce the power of spatial replicates. The effects of spatial correlation are more pronounced when detection probability is low. Application of temporal replicates to spatial replicated surveys increases the precision of occupancy estimates, but sampling design trade‐offs between number of sites and spatial versus temporal replicates need to balance levels of spatial correlation in detection probability with costs to visit sites.
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.
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 | 0,000 |
| 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 découle