Of detectability and camouflage: evaluating Pollard Walk rules using a common, cryptic butterfly
Notice bibliographique
Résumé
Abstract Estimating distribution and abundance of species depends on the probability at which individuals are detected. Butterflies are of conservation interest worldwide, but data collected with Pollard walks—the standard for national monitoring schemes—are often analyzed assuming that changes in detectability are negligible within recommended sampling criteria. The implications of this practice remain poorly understood. Here, we evaluated the effects of sampling conditions on butterfly counts from Pollard walks using the Arctic fritillary, a common but cryptic butterfly in boreal forests of Alberta, Canada. We used an open population binomial N‐mixture model to disentangle the effects of habitat suitability and phenology on abundance of Arctic fritillaries, and its detectability by sampling different conditions of temperature, wind, cloud cover, and hour of the day. Detectability varied by one order of magnitude within the criteria recommended for Pollard walks ( P varying between 0.04 and 0.45), and simulations show how sampling in suboptimal conditions increases substantially the risk of false‐absence records (e.g., false‐absences are twice as likely than true‐presences when sampling 10 Arctic fritillaries at P = 0.04). Our results suggest that the risk of false‐absences is highest for species that are poorly detectable, low in abundance, and with short flight periods. Analysis with open population binomial N‐mixture models could improve estimates of abundance and distribution for rare species of conservation interest, while providing a powerful method for assessing butterfly phenology, abundance, and behavior using counts from Pollard walks, but require more intensive sampling than conventional monitoring schemes.
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) | 0,066 | 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 ».