Assessing Capture Probabilities of Larval Pond-Breeding Anurans in New Brunswick, Canada
Notice bibliographique
Résumé
We used removal sampling (RS) and neutral red dye capture–mark–recapture (CMR) methods to estimate capture probabilities for larval Wood Frogs (Lithobates sylvaticus), Spring Peepers (Pseudacris crucifer), and first-year Green Frogs (Lithobates clamitans) in ponds in southern New Brunswick, Canada. We modeled capture probability as a function of environmental variables and tested whether marks were retained between surveys. We also performed simulations to understand the effect of survey effort, capture probability, and abundance on detection probabilities and the number of surveys needed to be confident of absence. Capture probabilities (P ± SD) were low and variable: Wood Frogs, P = 0.262 ± 0.128; Spring Peepers, P = 0.323 ± 0.241; and first-year Green Frogs, P = 0.159 ± 0.106. With the use of AICc, we determined a model with the proportion of non-Typha emergent vegetation to have a positive effect, whereas pond depth had a negative effort on capture probabilities in first-year Green Frog larvae. No covariate models were better than an intercept-only model for Wood Frogs or Spring Peepers. Observers missed the dye mark on 5–24% of the marked larvae. Simulations showed that at observed capture probabilities and low abundances (greater than 100 larvae) all species would be detected on average with a single survey of at least 20% of the pond, but more survey effort/repeat surveys would be required to detect smaller populations. We recommend that capture probabilities be estimated whenever abundance estimates are required.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».