Condors in space: an individual-based population model for California condor reintroduction planning
Notice bibliographique
Résumé
Abstract Context Existing demographic models of California condors have not simultaneously considered individual condor movement paths, the distribution and juxtaposition of release sites, habitat components, or the spatial distribution of threats. Objectives Our objectives were to develop a dynamic spatially explicit and individual-based model (IBM) of California condor demography and to evaluate its ability to replicate empirical data on demography and distribution from California (1995–2019). Methods We built a female-only spatially explicit California condor IBM in HexSim, using a daily timestep that allowed us to simulate the foraging behavior of condors, changes in food distribution and availability, and the ephemeral threat of lead in decaying food resources. Results Simulated population size was highly correlated with annual population census data once the population became established with > 50 females ( r 2 = 0.99). Mean simulated fecundity and mortality estimates were not significantly different from empirical trends ( p > 0.05), although empirical data had higher interannual variability. The geographic distribution of modeled condors was similar to the empirical distribution with an overall accuracy of 79%, a commission error of 27%, and an omission error of 9%. Simulated movement density corresponded moderately well to the density of observed GPS locations (weighted kappa = 0.44). Conclusions We developed a spatially explicit California condor IBM that is well-calibrated to empirical data from California. Given its mechanistic underpinnings and flexibility to incorporate a variety of spatial and demographic inputs, we expect our model to be useful for assessing the relative risks and benefits of future condor reintroduction and management scenarios.
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) | 0,002 | 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 ».