Effect of detection heterogeneity in occupancy‐detection models: an experimental test of time‐to‐first‐detection methods
Notice bibliographique
Résumé
Imperfect detection can bias estimates of site occupancy in ecological surveys but can be corrected by estimating detection probability. Time‐to‐first‐detection (TTD) occupancy models have been proposed as a cost–effective survey method that allows detection probability to be estimated from single site visits. Nevertheless, few studies have validated the performance of occupancy‐detection models by creating a situation where occupancy is known, and model outputs can be compared with the truth. We tested the performance of TTD occupancy models in the face of detection heterogeneity using an experiment based on standard survey methods to monitor koala Phascolarctos cinereus populations in Australia. Known numbers of koala faecal pellets were placed under trees, and observers, uninformed as to which trees had pellets under them, carried out a TTD survey. We fitted five TTD occupancy models to the survey data, each making different assumptions about detectability, to evaluate how well each estimated the true occupancy status. Relative to the truth, all five models produced strongly biased estimates, overestimating detection probability and underestimating the number of occupied trees. Despite this, goodness‐of‐fit tests indicated that some models fitted the data well, with no evidence of model misfit. Hence, TTD occupancy models that appear to perform well with respect to the available data may be performing poorly. The reason for poor model performance was unaccounted for heterogeneity in detection probability, which is known to bias occupancy‐detection models. This poses a problem because unaccounted for heterogeneity could not be detected using goodness‐of‐fit tests and was only revealed because we knew the experimentally determined outcome. A challenge for occupancy‐detection models is to find ways to identify and mitigate the impacts of unobserved heterogeneity, which could unknowingly bias many models.
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 | 0,059 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».