Notice bibliographique
Résumé
Information about how animal abundance varies across landscapes is needed to inform management action but is costly and time-consuming to obtain; surveys of a single population distributed over a large area can take years to complete. Surveys employing small, spatially replicated sampling units improve efficiency, but statistical estimators rely on assumptions that constrain survey design or become less reasonable as larger areas are sampled. Efficient methods that avoid assumptions about similarity of detectability or density among replicates are therefore appealing. Using simulations and data from >3500 black bears sampled on 73 independent study areas in Ontario, Canada, we (1) quantified bias induced by unmodeled spatial heterogeneity in detectability and density; (2) evaluated novel, design-based estimators of average density across replicate study areas; and (3) evaluated two estimators of the variance of average density across study areas: an analytic estimator that assumed an underlying homogeneous spatial Poisson point process for the distribution of animals' activity centers, and an empirical estimator of variance across study areas. In simulations where detectability varied in space, assuming spatially constant detectability yielded density estimates that were negatively biased by 20% to 30%; estimating local detectability and density from local data and treating study areas as independent, equal replicates when estimating average density across study areas using the design-based estimator yielded unbiased estimates at local and landscape scales. Similarly, detectability of black bears varied among study areas and estimates of bear density at landscape scales were higher when no information was shared across study areas when estimating detectability. This approach also maximized precision (relative SEs of estimates of average black bear density ranged from 7% to 18%) and computational efficiency. In simulations, the analytic variance estimator was robust to threefold variation in local densities but the empirical estimator performed poorly. Conducting multiple, similar SECR surveys and treating them as independent replicates during analyses allowed us to efficiently estimate density at multiple scales and extents while avoiding biases caused by pooling spatially heterogeneous data. This approach enables researchers to address a wide range of ecological or management-related questions and is applicable with most types of SECR 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 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 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 ».