Application of the Random Encounter Model in citizen science projects to monitor animal densities
Notice bibliographique
Résumé
Abstract Abundance and density are vital metrics for assessing a species’ conservation status and for developing effective management strategies. Remote‐sensing cameras are being used increasingly as part of citizen science projects to monitor wildlife, but current methodologies to monitor densities pose challenges when animals are not individually recognizable. We investigated the use of camera traps and the Random Encounter Model ( REM ) for estimating the density of West European hedgehogs ( Erinaceus europaeus ) within a citizen science framework. We evaluated the use of a simplified version of the REM in terms of the parameters’ estimation (averaged vs. survey‐specific) and assessed its potential application as part of a large‐scale, long‐term citizen science project. We compared averaged REM estimates to those obtained via spatial capture–recapture ( SCR ) using data from nocturnal spotlight surveys. There was a high degree of concordance in REM ‐derived density estimates from averaged parameters versus those derived from survey‐specific parameters. Averaged REM density estimates were also comparable to those produced by SCR at eight out of nine sites; hedgehog density was 7.5 times higher in urban (32.3 km −2 ) versus rural (4.3 km 2 ) sites. Power analyses indicated that the averaged REM approach would be able to detect a 25% change in hedgehog density in both habitats with >90% power. Furthermore, despite the high start‐up costs associated with the REM method, it would be cost‐effective in the long term. The averaged REM approach is a promising solution to the challenge of large‐scale and long‐term species monitoring. We suggest including the REM as part of a citizen science monitoring project, where participants collect data and researchers verify and implement the required analysis.
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 ».