Comparing resource selection and demographic models for predicting animal density
Notice bibliographique
Résumé
ABSTRACT Habitat‐based prediction of population density relies on relationships between landscape configuration (i.e., abundance of land‐cover types) and equilibrium density. This may be accomplished by estimating resource selection probability functions (RSPFs) based on presence–absence data, or by relating carrying capacity to landscape covariates. We used RSPFs for moose (Alces alces) from 2 study sites and carrying capacities from 34 wildlife management units across northern Ontario, Canada, to create 2 estimators of moose density. We compared the predictions of both models to moose density in a novel site obtained via aerial census. We also projected the RSPF across 34 management units and compared predicted density to estimated carrying capacity of each unit. The RSPF and carrying capacity models predicted moose equilibrium densities that were statistically indistinguishable from the estimated density of moose at the novel study site, but the carrying capacity model generated uninformatively broad prediction intervals. The RSPF failed to predict carrying capacities in management units across Ontario; however, the differences between RSPF estimates and carrying capacities varied predictably with differences in covariates related to forage availability, suggesting habitat selection strength and RSPF transferability vary with landscape quality. Estimating densities using RSPFs relies on a consistent relationship between habitat selection and animal density; thus, RSPF applicability across space will depend heavily on similarity between the novel and original sites. Demographic projection benefits from broad spatiotemporal datasets that improve reliability but that are relatively rare and subject to broad error. Our findings suggest that selection‐based population estimation is preferable to demographically based models because of increased precision of estimates, the immediacy of available data (e.g., single survey or radio‐telemetry in multiple sites vs. many generations of population estimates in a time series across space), and the capacity to predict fine‐scale patterns of distribution and abundance. © 2016 The Wildlife Society.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».