Peer Review #1 of "Explaining detection heterogeneity with finite mixture and non-Euclidean movement in spatially explicit capture-recapture models (v0.1)"
Notice bibliographique
Résumé
Landscape structure affects animal movement. Differences between landscapes may induce heterogeneity in home range size and movement rates among individuals within a population. These types of heterogeneity can cause bias when estimating population size or density and are seldom considered during analyses. Individual heterogeneity attributable to unknown or unobserved covariates is often modelled using latent mixture distributions, but these are demanding of data and abundance estimates are sensitive to the parameters of the mixture distribution. A recent extension of spatially explicit capturerecapture models allows landscape structure to be modelled explicitly by incorporating landscape connectivity using non-Euclidean least-cost paths, improving inference, especially in highly structured (riparian & mountainous) landscapes. Our objective was to investigate whether these novel models could improve inference about black bear (Ursus americanus) density. We fit spatially explicit capture-recapture models with standard and complex structures to black bear data on from 51 separate study areas. We found that non-Euclidean models were supported in over half of our study areas. Associated density estimates were higher and less precise than those from simple models and only slightly more precise than those from finite mixture models. Estimates were sensitive to the scale (pixel resolution) at which least-cost paths were calculated, but there was no consistent pattern across covariates or resolutions. Our results indicate that negative bias associated with ignoring heterogeneity is potentially severe. However, the most popular method for dealing with this heterogeneity (finite mixtures) yielded potentially unreliable point estimates of abundance that may not be comparable across surveys, even in data sets with 136 -350 total detections, 3 -5 detections per individual, 97 -283 recaptures, and 80 -254 spatial recaptures. In these same study areas with high sample sizes, we expected that landscape features would not severely constrain animal movements and modelling non-Euclidian distance would not consistently improve inference. Our results
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».