Sequential use of niche and occupancy models identifies conservation and research priority areas for two data-poor endemic birds from the Colombian Andes
Notice bibliographique
Résumé
Abstract The lack of high-quality information on data-poor species can hinder efforts to inform conservation actions via spatial distribution modeling. This is particularly true for tropical birds of conservation concern, for which ecological studies and assessments of their conservation status have received limited funding. Here we use a cost- and time-efficient protocol for assessing the distribution of range-restricted taxa and to identify priority areas for their conservation based on a sequential application of environmental niche models (ENMs) and occupancy-detection models. This approach first uses available geographical information and niche-theory to prioritize potential study sites, which can later be surveyed to obtain high-quality presence–absence data to accurately model distributional ranges with limited resources. We apply this protocol to identify priority areas for two Neotropical birds of conservation concern endemic to the Colombian Andes: Yellow-headed Brush-finch (Atlapetes flaviceps) and Tolima Dove (Leptotila conoveri). We first fitted ENMs using spatially filtered datasets containing all available records up to 2018. We then conducted field surveys across climatically suitable areas identified for both species, carrying out a total of 1,750 counts to generate input data for the occupancy models. Overall, our results suggested more extended and more continuous distribution ranges for both species than previously reported, but also identified population strongholds that are not currently represented within the national protected areas system. Both species occupied a narrow elevational belt (~1,300–2,600 m above sea level) of the Central Andes of Colombia primarily on the slopes of the Magdalena River valley, with isolated populations in the Western and Eastern Andes; these areas have undergone some of the most marked landscape transformations in Colombia. This straightforward protocol maximizes available information and minimizes costs, while allowing for estimation of occurrence probabilities for range-restricted, data-poor taxa.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».