Estimation of avian species richness: biases in morning surveys and efficient sampling from acoustic recordings
Notice bibliographique
Résumé
Abstract Species richness estimation is an important component of ecological studies and conservation planning. Limited resources necessitate that sampling protocols be as efficient and accurate as possible. For birds, automated acoustic sampling offers potential advantages of abundant data at reduced cost for field observers, and enhanced diel coverage, but neither of which may accrue if surveys are biased and/or too costly to analyze in the lab. Here, we assessed bias in estimates of species and higher order taxonomic richness obtained from standard morning point counts, and from morning‐only acoustic recordings, relative to estimates from 72, 10‐min acoustic recordings conducted hourly over 3 d. Furthermore, we compared 10‐min subsamples of 24‐h recordings across five statistical estimators to establish which combination of number of samples, from which times of day, and with which statistical estimator, best approximated total observed species richness. Total observed species richness was the total number of species detected per site over 720 min of 10‐min recordings. Standard morning point counts and morning‐only acoustic recordings consistently underestimated both total species and higher order taxonomic richness. Species not detected were those that irregularly or nocturnally vocalize. Without statistical estimators, the greatest number of species per unit sample effort was detected from 10‐min, on‐the‐hour samples between 07:00 and 12:00, and at 21:00, over 3 d. With the jackknife estimator, three 10‐min samples (one at each of 08:00, 09:00, and 12:00, over 3 d) most efficiently estimated within 5% of total observed species richness. Researchers can subsample in combination with statistical estimators to increase analytical efficiency for species richness using acoustic recordings.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».