Using Breeding Bird Survey and eBird data to improve marsh bird monitoring abundance indices and trends
Notice bibliographique
Résumé
The elusive nature of many marsh-breeding birds presents a challenge for effective population monitoring. The Great Lakes Marsh Monitoring Program (GLMMP), delivered by Birds Canada, addressed these challenges by concentrating survey efforts in marsh bird habitats and by using survey protocols aimed at maximizing marsh bird detections. GLMMP data suggest that numerous marsh bird species are declining. Here we consider the value of other avian monitoring programs to support our understanding of marsh bird population trends. Our goal was to compare the GLMMP, North American Breeding Bird Survey (BBS), and eBird with each other and with a combined survey, by evaluating frequency of detection, annual indices of abundance, and trend estimates. Using 23 years (1997–2019) of GLMMP, BBS, and eBird data, we calculated annual indices of abundance and trends for each survey for 18 marsh-breeding species across southern Ontario, Canada. We found that the GLMMP had more frequent detections, greater counts, and/or more precise trends for 8 species that breed almost exclusively in marshes, whereas 10 species with more variable habitat preferences had more frequent detections, greater counts, and/or more precise trends based on eBird and/or BBS. We found that combining counts from the GLMMP, BBS, and eBird increased the precision around trend estimates for 11/18 (61%) species; however, trend estimates for combined data tended to be positively biased relative to GLMMP trends for species that also frequent non-marsh habitats. We, therefore, provide evidence that combining citizen science data from multiple sources could increase the power to detect changes in marsh-dependent bird populations. Integrated datasets thus provide a promising avenue for future marsh bird conservation and management.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».