ctmmweb: A Graphical User Interface for Autocorrelation‐Informed Home Range Estimation
Notice bibliographique
Résumé
ABSTRACT Estimating animal home ranges is a primary purpose of collecting tracking data. Many widely used home range estimators, including conventional kernel density estimators, assume independently‐sampled data. In stark contrast, modern animal tracking datasets are almost always strongly autocorrelated. The incongruence between estimator assumptions and empirical reality often leads to systematically underestimated home ranges. Autocorrelated kernel density estimation (AKDE) directly models the observed autocorrelation structure of tracking data during home range estimation, and has been shown to perform accurately across a broad range of tracking datasets. However, compared to conventional estimators, AKDE requires additional modeling steps and has heretofore only been accessible via the command‐line ctmm R package. Here, we introduce ctmmweb, which provides a point‐and‐click graphical interface to ctmm and streamlines AKDE, its prerequisite autocorrelation modeling steps, and a number of additional movement analyses. We demonstrate ctmmweb's capabilities, including AKDE home range estimation and subsequent home range overlap analysis, on a dataset of four jaguars from the Brazilian Pantanal tracked between 2013 and 2015. We intend ctmmweb to open AKDE and related autocorrelation‐explicit analyses to a wider audience of wildlife and conservation professionals. © 2021 The Authors. Wildlife Society Bulletin published by Wiley Periodicals LLC on behalf of The Wildlife Society.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,263 | 0,087 |
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 ».