Evaluating livetrapping and camera-based indices of small-mammal density
Notice bibliographique
Résumé
Density estimates are integral to wildlife management, but they can be costly to obtain. Indices of density may provide efficient alternatives, but calibration is needed to ensure the indices accurately reflect density. We evaluated several indices of small-mammal density using livetrapping and motion-activated cameras in the Cascade Mountains of Washington (USA). We used linear regression to compare spatially explicit capture–recapture density estimates of mice (genus Peromyscus Gloger, 1841), voles (genera Microtus Schrank, 1798 and Myodes Pallas, 1811), and chipmunks (genus Neotamias A.H. Howell, 1929) with four indices. Two indices were based on livetrapping (minimum number alive (MNA) and number of captures per 100 trap-nights) and two indices were based on photos from motion-activated cameras (proportion of cameras detecting a species and number of independent detections). We evaluated how the accuracy of trap-based indices increased with trapping effort using subsets of the full dataset (n = 7 capture occasions per site). Most indices provided reliable indicators of small-mammal density, and livetrapping indices (R2 = 0.64–0.98) outperformed camera-based indices (R2 = 0.24–0.86). All indices performed better for more abundant species. The effort required to estimate each index varied and indices that required more effort performed better. These findings should help managers, conservation practitioners, and researchers select small-mammal monitoring methods that best fit their needs.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».