Estimating the Abundance of Marine Mammal Populations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Motivated by the need to estimate the abundance of marine mammal populations to inform conservation assessments, especially relating to fishery bycatch, this paper provides background on abundance estimation and reviews the various methods available for pinnipeds, cetaceans and sirenians. We first give an “entry-level” introduction to abundance estimation, including fundamental concepts and the importance of recognizing sources of bias and obtaining a measure of precision. Each of the primary methods available to estimate abundance of marine mammals is then described, including data collection and analysis, common challenges in implementation, and the assumptions made, violation of which can lead to bias. The main method for estimating pinniped abundance is extrapolation of counts of animals (pups or all-ages) on land or ice to the whole population. Cetacean and sirenian abundance is primarily estimated from transect surveys conducted from ships, small boats or aircraft. If individuals of a species can be recognized from natural markings, mark-recapture analysis of photo-identification data can be used to estimate the number of animals using the study area. Throughout, we cite example studies that illustrate the methods described. To estimate the abundance of a marine mammal population, key issues include: defining the population to be estimated, considering candidate methods based on strengths and weaknesses in relation to a range of logistical and practical issues, being aware of the resources required to collect and analyze the data, and understanding the assumptions made. We conclude with a discussion of some practical issues, given the various challenges that arise during implementation.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 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 découle