Applying and testing a novel method to estimate animal density from motion‐triggered cameras
Notice bibliographique
Résumé
Abstract Estimating animal abundance and density are fundamental goals of many wildlife monitoring programs. Camera trapping has become an increasingly popular tool to achieve these monitoring goals due to recent advances in modeling approaches and the capacity to simultaneously collect data on multiple species. However, estimating the density of unmarked populations continues to be problematic due to the difficulty in implementing complex modeling approaches, low precision of estimates, and absence of rigor in testing of model assumptions and their influence on results. Here, we describe a novel approach that uses still image camera traps to estimate animal density without the need for individual identification, based on the time spent in front of the camera (TIFC). Using results from a large‐scale multispecies monitoring program with nearly 3000 cameras deployed over 6 years in Alberta, Canada, we provide a reproducible methodology to estimate parameters and we test key assumptions of the TIFC model. We compare moose ( Alces alces ) density estimates from aerial surveys and TIFC, including incorporating correction factors for known TIFC assumption violations. The resulting corrected TIFC density estimates are comparable to aerial density estimates. We discuss the limitations of the TIFC method and areas needing further investigation, including the need for long‐term monitoring of assumption violations and the number of cameras necessary to provide precise estimates. Despite the challenges of assumption violations and high measurement error, cameras and the TIFC method can provide useful alternative or complementary animal density estimates for multispecies monitoring when compared to traditional monitoring methods.
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 | 0,001 | 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) | 0,004 | 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 ».