AbundanceR: A Novel Method for Estimating Wildlife Abundance Based on Distance Sampling and Species Distribution Models
Notice bibliographique
Résumé
Appropriate field survey methods and robust modeling approaches play an important role in wildlife protection and habitat management because reliable information on wildlife distribution and abundance is important for conservation planning and actions. However, accurately estimating animal abundance is challenging in most species, as usually only a small proportion of the population can be detected during surveys. Species distribution models can predict the habitat suitability index, which differs from species abundance. We designed a method to adjust the results from species distribution models to achieve better accuracy for abundance estimation. This method comprises four steps: (1) conducting distance sampling, recording species occurrences, and surveying routes; (2) performing species distribution modeling using occurrence records and predicting animal abundance in each quadrat in the study area; (3) comparing the difference between field survey results and predicted abundance in quadrats along survey routes, adjusting model prediction, and summing up to obtain total abundance in the study area; (4) calculating uncertainty from three sources, i.e., distance sampling (using detection rate), species distribution models (using R squared), and differences between the field survey and model prediction [using the standard deviation of the ratio (observation/prediction) at different zones]. We developed an R package called abundanceR to estimate wildlife abundance and provided data for the Tibetan wild ass (Equus kiang) based on field surveys at the Three-River-Source National Park, as well as 29 layers of environmental variables covering the terrestrial areas of the planet. Our method can provide accurate estimation of abundance for animals inhabiting open areas that can be easily observed during distance sampling, and whose spatial heterogeneity of animal density within the study area can be accurately predicted using species distribution models.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».