A spatial point process model to estimate individual centres of activity from passive acoustic telemetry data
Notice bibliographique
Résumé
Abstract Failure to account for time‐varying detection ranges when inferring space use of marine species from passive acoustic telemetry data can bias estimates and result in erroneous biological conclusions. This potential source of bias is widely acknowledged but often ignored in practice due to a lack of available statistical methods. Here, we describe and apply a spatial point process model for estimating individual centres of activity (COAs) from acoustic telemetry data that can be modified to account for both receiver‐ and time‐specific detection probabilities. We use simulation testing to evaluate the suitability of the proposed models for estimating COAs and compare their performance to that of the popular mean‐weighted COA method for a variety of scenarios. We illustrate how the approach can be applied to correct for variable detection ranges by integrating data from moored test tags and demonstrate how accounting for time‐varying detection probabilities can impact space use estimates by fitting the model to data collected from a black sea bass (Centropristis striata) on a receiver array off the east coast of the United States. The proposed model reduced bias in COA estimates, particularly when tagged individuals occurred along the periphery of the receiver array. The test tag‐integrated model largely corrected the bias associated with receiver‐ and time‐specific detection probabilities. When applied to the black sea bass detection data, the model revealed fine‐scale movements not apparent when detection ranges were assumed constant. Spatial management practices for coastal marine species are often based on trends in space use inferred from passive acoustic telemetry data, which can be misinterpreted when factors influencing detection ranges are not accounted for. Our approach provides a general framework for estimating individual COAs that can be modified on a study‐specific basis to ensure resulting patterns of space use reflect a species’ movements and behaviour, rather than variation in receiver detection ranges.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».