The importance of independence in unmarked spatial capture–recapture analysis
Notice bibliographique
Résumé
Wildlife populations can be unmarked, meaning individuals lack distinguishing features for individual identification. Populations may also exhibit non‐independent movements, meaning individuals move together. For populations of either unmarked or non‐independent individuals, models based on spatial capture–recapture (SCR) approaches can be used to estimate abundance, density, and other parameters critical for monitoring, management, and conservation. However, when individuals are both unmarked and non‐independent, few model options are available. One approach has been to apply unmarked models and not address the non‐independence despite unquantified impacts on bias, precision, and the ability to make robust ecological inferences. We conducted a simulation study to quantify the impact of non‐independence on the performance of spatial count (SC) and spatial partial identity models (SPIM) – two SCR‐based unmarked modeling approaches – and used the performance of fully marked and independent SCR as a reference. We varied the levels of non‐independence (aggregation and cohesion), detection probability, and the number of partial identity covariates used to resolve identities in SPIM estimation. We expected abundance estimates to be increasingly biased and precise as aggregation and cohesion increased. Results showed that models indeed became less robust to increasing non‐independence, but importantly suggested that only SPIM could be reliably applied under low levels of cohesion when sufficient partial identity covariates are available. SC yielded consistently biased estimates with poor precision. SCR was consistently robust across combinations of aggregation and cohesion, as expected. We therefore advise against the use of SC models for estimating population parameters when individuals are known to be non‐independent, caution that SPIM may be used under narrow ecological conditions, and encourage continued investigations into sampling design and methods development for estimating populations of unmarked and non‐independent individuals.
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 | 0,047 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».