Accounting for heterogeneous density and detectability in spatially explicit capture–recapture studies of carnivores
Notice bibliographique
Résumé
Abstract Reliable estimates of population density are fundamental for managing and conserving wildlife. Spatially explicit capture–recapture (SECR) models in combination with information‐theoretic model selection criteria are frequently used to estimate population density. Variation in density and detectability is inevitable and, when unmodeled, can lead to erroneous estimates. Despite this knowledge, the performance of SECR models and information‐theoretic criteria remain relatively untested for populations with realistic levels of variation in density and detectability. We addressed this issue using simulations of American black bear ( Ursus americanus ) populations with variable density and detectability between sexes and across study areas. We first assessed the reliability of Akaike information criterion adjusted for small sample sizes (AIC c ) to correctly identify the true data generating model or a good approximating model. We then assessed the bias, accuracy, and precision of density estimates when such a model was selected or not. We demonstrated that unmodeled heterogeneity in detection and, more importantly, density can lead to pronounced bias. However, when a good approximating model is included in the candidate set, models with lower AIC c included important forms of variation and yielded accurate estimates. We encourage researchers and practitioners to consider the impact of unmodeled variation in SECR models when making inferences and to strive to include covariates likely to be the most influential based on the species biology and ecology in candidate model sets. Doing so can improve the robustness of wildlife density estimation methods that can be leveraged to make more sound conservation and management decisions.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».