Evaluating uncertainty in estimates of large rhinoceros populations
Notice bibliographique
Résumé
Estimates of the numbers of living rhinoceroses inform management interventions. Several techniques assist authorities in obtaining estimates. For large populations, authorities use sample-based methods. Estimates for the number of rhinos living in Kruger National Park (Kruger) make use of sample-based block surveys. Critics of this approach allege that the authorities place sample blocks mostly in areas with high rhino numbers and that this, together with correction for various biases, inflates estimates. The critics also claim that the percentage confidence intervals (PCIs) associated with estimates are too large and propose total area counts as an alternative. We assess these criticisms by comparing the results of a sample-based survey with those of a near concurrent total count. We found that sample surveys appeared to focus on areas with higher rhino densities, but rhino movements in and out of the survey area confounded results. Moreover, total counts do not produce reliable estimates when surveyors fail to account for biases inherent to all sampling procedures. Bias corrections used by sample surveys most likely underestimate the number of rhinos that surveyors miss, contrary to the allegations of critics that sample-based techniques inflate population estimates. Estimates that transparently report uncertainties detected a significant decline in white rhinos from 8,968 (95% CI: 8,394–9,564) in 2013 to 4,116 (95% CI: 2,994–5,726) in 2018. The trends in the black rhino population also indicate a decline from 627 (95% CI: 588–666) in 2009 to 291 (95% CI: 151–441) in 2018. Conducting block-based sample surveys for large populations that correct for biases provides useful information for decision makers. Given that South Africa, specifically Kruger makes substantial contributions to continental rhino numbers, reporting to international bodies such as CITES should transparently include the uncertainties associated with population estimates. Résumé Les estimations du nombre de rhinocéros vivants orientent les interventions de gestion. Plusieurs techniques permettent aux autorités d’obtenir des estimations. Pour les populations importantes, les autorités utilisent des méthodes basées sur des échantillons. Les estimations du nombre de rhinocéros vivant dans le parc national du Kruger (Kruger) s'appuient sur des enquêtes par sondage par blocs. Les détracteurs de cette approche allèguent que les autorités placent les blocs d'échantillonnage principalement dans des zones où le nombre de rhinocéros est élevé et que cela, combiné à une correction pour divers biais, gonfle les estimations. Les critiques affirment également que les intervalles de confiance en pourcentage (ICP) associés aux estimations sont trop importants et proposent comme alternative des comptages totaux des aires. Nous évaluons ces critiques en comparant les résultats d'une enquête par sondage aux résultats d'un comptage total qui a eu lieu presque simultanément. Nous avons constaté que les enquêtes par sondage semblaient se concentrer sur les zones à haute densité de rhinocéros, mais les résultats ont été faussés par le mouvement des rhinocéros dans et hors de la zone d'enquête. De plus, les comptages totaux produisent des estimations non fiables lorsque les enquêteurs ne tiennent pas compte des biais inhérents à toutes les procédures d’échantillonnage. Les corrections de biais utilisées par les enquêtes par sondage sous-estiment probablement le nombre de rhinocéros que les enquêteurs manquent, contrairement aux allégations des critiques selon lesquelles les techniques par sondage gonflent les estimations de population. Des estimations qui rapportent les incertitudes de manière transparente ont détecté une baisse significative des rhinocéros blancs de 8 968 (IC à 95%: 8 394–9 564) en 2013 à 4 116 (IC à 95%: 2 994–5 726) en 2018. Les tendances démographiques des rhinocéros noirs indiquent également un déclin de 627 (IC à 95%: 588–666) en 2009 à 291 (IC à 95%: 151–441) en 2018. Les enquêtes par sondage par blocs qui corrigent les biais et qui sont utilisées pour d’importantes populations, fournissent des informations utiles aux décideurs. Étant donné que l'Afrique du Sud et Kruger contribuent de manière substantielle au nombre de rhinocéros continentaux, les rapports aux organismes internationaux tels que la CITES devraient inclure les incertitudes associées aux estimations des populations de manière transparente.
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 ».