An integrated model decomposing the components of detection probability and abundance in unmarked populations
Notice bibliographique
Résumé
Abstract Accurate estimates of population abundance are essential to both theoretical and applied ecology. Rarely are all individuals detected during a survey and abundance models often incorporate some form of imperfect detection. Detection probability, however, consists of three components: probability of presence during a survey, probability of availability given presence, and probability of detection given availability and presence. We develop an integrated model to separate these three detection components and provide abundance estimates for the available, present, and superpopulation of individuals. Our framework integrates several common survey methods for unmarked populations: spatially and temporally replicated counts, distance sampling data, and time‐of‐detection data. Simulations indicated relatively unbiased estimates for detection and availability probabilities. Negative bias in estimated superpopulation abundance was present with three temporally replicated surveys, but greatly reduced with six surveys. In a case study of Island Scrub‐Jays ( Aphelocoma insularis ), posterior modes for presence, availability, and detection probabilities were 0.78, 0.96, and 0.26, respectively, from 10‐min point counts repeated at 97 sites on three occasions, with noticeable differences among available, present, and superpopulation abundance estimates. This generalizable framework integrates common sampling protocols and provides joint inferences on the components of detection probability, spatial and non‐spatial temporary emigration, and abundance in unmarked populations.
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 | 0,000 | 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 | 0,000 | 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 ».