Using the Formozov–Malyshev–Pereleshin formula to convert mammal spoor counts into density estimates for long‐term community‐level monitoring
Notice bibliographique
Résumé
Abstract Finding an appropriate method to monitor a wide range of mammal species simultaneously is notoriously difficult, as each method has its limitations. Here, we examine a formula, known as the Formozov–Malyshev–Pereleshin (FMP), which uses mean daily travel distances (day ranges) to convert spoor counts into density estimates. Availability of accurate estimates of day ranges is a limitation of the FMP formula. Here, we used allometry to estimate day ranges for those species that lacked empirical movement data and general additive models (GAM) to assess trends in density estimates. With this approach, we derived density estimates for 10 mammal species, regardless of whether they were abundant, or rare and elusive (e.g. carnivores). General additive models suggest that six species are stable or increasing, and four declining, although all nonsignificantly. Use of allometric estimates in lieu of empirical estimates led to falsely increased precision in density estimates, highlighting the need to fill the knowledge gap in movement ecology for certain species. Simulations were used to examine error introduced into trend estimates by this bias. We conclude that the FMP formula, when properly employed, can be an efficient method for simultaneous monitoring of multispecies in different functional groups.
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 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 | 0,001 | 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 | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».