Combining camera trap surveys and IUCN range maps to improve knowledge of species distributions
Notice bibliographique
Résumé
Reliable maps of species distributions are fundamental for biodiversity research and conservation. The International Union for Conservation of Nature (IUCN) range maps are widely recognized as authoritative representations of species' geographic limits, yet they might not always align with actual occurrence data. In recent area of habitat (AOH) maps, areas that are not habitat have been removed from IUCN ranges to reduce commission errors, but their concordance with actual species occurrence also remains untested. We tested concordance between occurrences recorded in camera trap surveys and predicted occurrences from the IUCN and AOH maps for 510 medium- to large-bodied mammalian species in 80 camera trap sampling areas. Across all areas, cameras detected only 39% of species expected to occur based on IUCN ranges and AOH maps; 85% of the IUCN only mismatches occurred within 200 km of range edges. Only 4% of species occurrences were detected by cameras outside IUCN ranges. The probability of mismatches between cameras and the IUCN range was significantly higher for smaller-bodied mammals and habitat specialists in the Neotropics and Indomalaya and in areas with shorter canopy forests. Our findings suggest that range and AOH maps rarely underrepresent areas where species occur, but they may more often overrepresent ranges by including areas where a species may be absent, particularly at range edges. We suggest that combining range maps with data from ground-based biodiversity sensors, such as camera traps, provides a richer knowledge base for conservation mapping and planning.
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 | 0,000 |
| 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 ».