MétaCan
Menu
Retour à la cohorte
Enregistrement W3215517204 · doi:10.1002/wlb3.01003

A hierarchical dependent double‐observer method for estimating waterfowl breeding pairs abundance from helicopters

2021· article· en· W3215517204 sur OpenAlexafffundabout
Christian Roy, Scott G. Gilliland, Eric T. Reed

Notice bibliographique

RevueWildlife Biology · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAvian ecology and behavior
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesEnvironment and Climate Change Canada
Mots-clésWaterfowlFlockStatisticsObserver (physics)Bayesian probabilityAbundance (ecology)Position (finance)BiologyEcologyFisheryMathematicsComputer scienceHabitat

Résumé

récupéré en direct d'OpenAlex

We applied a dependent double‐observer method for helicopter surveys and developed a hierarchical Bayesian model as a means to adjust counts of waterfowl for incomplete detection. We conducted our study using 52 plots in Labrador, Canada. A designated pair of primary observers reported counts and location of all waterfowl flocks that they detected to a pair of secondary observers, including details regarding the species, age and sex of observed birds. Secondary observers then reported any additional flocks observed by them but missed by the primary observers. The pairs of observers alternated between primary and secondary roles during the course of the survey, as well as position (front or back) within the helicopter. We used hierarchical Bayesian models to estimate detection probabilities of waterfowl flocks, as well as derive species‐specific detection‐corrected abundance and sex composition estimates of flocks. The hierarchical model output allowed us to derive estimates of indicated breeding pairs for each species in the survey area corrected for incomplete detection. Observers seated in the back of the helicopter had higher detection probabilities (0.89; 90% Bayesian credible intervals [BCI] = 0.82–0.95) than those in the front (0.74; 90% BCI = 0.66–0.83), and observer experience had a limited effect on detection. Total crew detection probabilities ranged between 0.99 (90% BCI = 0.97–1.00) and 0.97(90% BCI = 0.94–0.99), depending on the individual observers' position and role in the helicopter. Detection probabilities were higher for sea ducks and diving ducks and lower for dabbling ducks. Observers generally missed less than 5% of the total indicated pairs for all species. We recommend that detection in helicopter surveys be measured to control for observer turnover, observer experience and aircraft‐related differences in visibility.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,310
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,303
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWildlife BiologyMême sujetAvian ecology and behaviorTravaux en français237 207