Testing the precision and sensitivity of density estimates obtained with a camera‐trap method revealed limitations and opportunities
Notice bibliographique
Résumé
Abstract The use of camera traps in ecology helps affordably address questions about the distribution and density of cryptic and mobile species. The random encounter model (REM) is a camera‐trap method that has been developed to estimate population densities using unmarked individuals. However, few studies have evaluated its reliability in the field, especially considering that this method relies on parameters obtained from collared animals ( i.e ., average speed, in km/h), which can be difficult to acquire at low cost and effort. Our objectives were to (1) assess the reliability of this camera‐trap method and (2) evaluate the influence of parameters coming from different populations on density estimates. We estimated a reference density of black bears ( Ursus americanus ) in Forillon National Park (Québec, Canada) using a spatial capture–recapture estimator based on hair‐snag stations. We calculated average speed using telemetry data acquired from four different bear populations located outside our study area and estimated densities using the REM. The reference density, determined with a Bayesian spatial capture–recapture model, was 2.87 individuals/10km 2 [95% CI: 2.41–3.45], which was slightly lower (although not significatively different) than the different densities estimated using REM (ranging from 4.06–5.38 bears/10km 2 depending on the average speed value used). Average speed values obtained from different populations had minor impacts on REM estimates when the difference in average speed between populations was low. Bias in speed values for slow‐moving species had more influence on REM density estimates than for fast‐moving species. We pointed out that a potential overestimation of density occurs when average speed is underestimated, that is, using GPS telemetry locations with large fix‐rate intervals. Our study suggests that REM could be an affordable alternative to conventional spatial capture–recapture, but highlights the need for further research to control for potential bias associated with speed values determined using GPS telemetry data.
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 | 0,040 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».