Density Estimates of Unmarked Large Mammals at Camera Traps Vary among Models, Species, and Years, Signalling Importance of Model Assumptions
Notice bibliographique
Résumé
Density estimation is a key goal in ecology but accurate estimates remain elusive, especially for unmarked animals. Data from camera-trap networks combined with new density estimation models can bridge this gap but recent research has shown marked variability in accuracy, precision, and concordance among estimators. We extend this work by comparing estimates from two different classes of models: unmarked spatial capture-recapture (spatial count, SC) models, and Time In Front of Camera (TIFC) models, a class of random encounter model. We estimated density for four large mammal species with different movement rates, behaviours, and sociality, as these traits directly relate to model assumptions. TIFC density estimates were typically higher than SC model estimates for all species. Black bear TIFC estimates were ~ 10-fold greater than SC estimates. Caribou TIFC estimates were 2-10 fold greater than SC estimates. White-tailed deer TIFC estimates were up to 100-fold greater than SC estimates. Differences of 2-5 fold were common for other species in other years. SC estimates were annually stable except for one social species; TIFC estimates were highly annually variable in some cases and consistent in others. Tests against densities obtained from DNA surveys and aerial surveys also showed variable concordance and divergence. For gregarious animals TIFC may outperform SC due to the latter model’s assumption of independent activity centres. For curious animals likely to investigate camera traps, SC may outperform TIFC, which assumes animal behavior is unaffected by cameras. Unmarked models offer great possibilities, but a pragmatic approach employs multiple estimators where possible, considers the ecological plausibility of assumptions, and uses an informed multi-inference approach to seek estimates from models with assumptions best fitting a species’ biology.
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 | 0,016 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».