Integrating population dynamics models and distance sampling data: a spatial hierarchical state‐space approach
Notice bibliographique
Résumé
Stochastic versions of Gompertz, Ricker, and various other dynamics models play a fundamental role in quantifying strength of density dependence and studying long-term dynamics of wildlife populations. These models are frequently estimated using time series of abundance estimates that are inevitably subject to observation error and missing data. This issue can be addressed with a state-space modeling framework that jointly estimates the observed data model and the underlying stochastic population dynamics (SPD) model. In cases where abundance data are from multiple locations with a smaller spatial resolution (e.g., from mark-recapture and distance sampling studies), models are conventionally fitted to spatially pooled estimates of yearly abundances. Here, we demonstrate that a spatial version of SPD models can be directly estimated from short time series of spatially referenced distance sampling data in a unified hierarchical state-space modeling framework that also allows for spatial variance (covariance) in population growth. We also show that a full range of likelihood based inference, including estimability diagnostics and model selection, is feasible in this class of models using a data cloning algorithm. We further show through simulation experiments that the hierarchical state-space framework introduced herein efficiently captures the underlying dynamical parameters and spatial abundance distribution. We apply our methodology by analyzing a time series of line-transect distance sampling data for fin whales (Balaenoptera physalus) off the U.S. west coast. Although there were only seven surveys conducted during the study time frame, 1991-2014, our analysis detected presence of strong density regulation and provided reliable estimates of fin whale densities. In summary, we show that the integrative framework developed herein allows ecologists to better infer key population characteristics such as presence of density regulation and spatial variability in a population's intrinsic growth potential.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».