Estimating utilization distributions from fitted step‐selection functions
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 Habitat‐selection analyses are often used to link environmental covariates, measured within some spatial domain of assumed availability, to animal location data that are assumed to be independent. Step‐selection functions ( SSF s) relax this independence assumption, by using a conditional model that explicitly acknowledges the spatiotemporal dynamics of the availability domain and hence the temporal dependence among successive locations. However, it is not clear how to produce an SSF ‐based map of the expected utilization distribution. Here, we used SSF s to analyze virtual animal movement data generated at a fine spatiotemporal scale and then rarefied to emulate realistic telemetry data. We then compared two different approaches for generating maps from the estimated regression coefficients. First, we considered a naïve approach that used the coefficients as if they were obtained by fitting an unconditional model. Second, we explored a simulation‐based approach, where maps were generated using stochastic simulations of the parameterized step‐selection process. We found that the simulation‐based approach always outperformed the naïve mapping approach and that the latter overestimated home‐range size and underestimated local space‐use variability. Differences between the approaches were greatest for complex landscapes and high sampling rates, suggesting that the simulation‐based approach, despite its added complexity, is likely to offer significant advantages when applying SSF s to real data.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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) | 0,017 | 0,004 |
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