Bayesian abundance estimation from genetic mark-recapture data when not all sites are sampled: an example with the bowhead whale
Notice bibliographique
Résumé
Abstract Estimating abundance is one of the most fundamental and important aspects of population biology, with major implications on how the status of a population is perceived and thus on conservation and management efforts. Although typically based on one of two methods (distance sampling or mark-recapture), there are many individual identification methods that can be used for mark-recapture purposes. In recent years, the use of genetic data for individual identification and abundance estimation through mark-recapture analyses have increased, and in some situations such genetic identifications are more efficient than their field-based counterparts for population monitoring. One issue with mark-recapture analyses, regardless of which method of individual identification is used, is that the study area must provide adequate opportunities for “capturing” all individuals within a population. However, many populations are unevenly and widely distributed, making it unfeasible to adequately sample all necessary areas. Here we develop an analytical technique that accounts for unsampled locations, and provides a means to infer “missing” individuals from unsampled locations, and therefore obtain more accurate abundance estimates when it is not possible to sample all sites. This method is validated using simulations, and is used to estimate abundance of the Eastern Canada-West Greenland (EC-WG) bowhead whale population. Based on these analyses, the estimated size of this population is 9,089 individuals, with a 95% highest density interval of 5,107–17,079.
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 | 0,006 | 0,017 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».