Preserving identity in capture–mark–recapture studies: increasing the accuracy of minimum number alive (MNA) estimates by incorporating inter-census trapping efficiency variation
Notice bibliographique
Résumé
Abstract Quantifying abundance is often key to understanding ecological and evolutionary processes in wild populations. Despite shortcomings in producing accurate abundance estimates, minimum number alive (MNA) remains a widely used tool, due to its intuitive computation, reliable performance as an abundance indicator, and linkage to individual life-histories. Here, we propose a novel “efficiency-modified” MNA (eMNA) metric, which aims to preserve MNA’s favourable aspects while remedying its flaws, by incorporating (a) growth correlates to back-age individuals first captured as adults, and (b) estimates of undetected persistence beyond last capture based on time-varying capture efficiency. We evaluate eMNA through samplings of a simulated baseline population parameterised using data from a long-term demographic study of European badgers ( Meles meles ), under three different levels of capture efficiency (low; intermediate/“real” based on badger field data; high). We differentiate between eMNA’s performance as an abundance estimator —how well it approximates true abundance (accuracy)—and as an abundance indicator —how tightly it correlates with population abundance and changes thereof (precision). eMNA abundance estimates were negatively biased at all capture efficiencies. However, this bias was negligible at intermediate-to-high capture efficiency, particularly once low-information terminal sampling years (the first year and final three years of simulated studies) were removed. Excluding these years, eMNA under-estimated abundance by only 3.5 badgers (1.5% of population) at intermediate (real) capture efficiencies, and performed as a precise abundance indicator, with half the standard deviation of Cormack–Jolly–Seber probabilistic estimates and proving robust to inter-sampling variation in capture efficiency. Using undetected persistence probabilities to parameterise survival regression, we recreated baseline age-based survival relationships, albeit with some negative bias for under-represented ages. We offer considerations on the continued limitations of using eMNA for abundance estimates, minimum study duration for reliability, the metric’s benefits when individual identity is required, and potential for further improvement.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».