Using camera traps and N‐mixture models to estimate population abundance: Model selection really matters
Notice bibliographique
Résumé
Abstract Estimating the abundance or density of wildlife populations is a critical part of species conservation and management, but estimates can vary greatly in precision and accuracy according to the sampling and statistical methods, sampling and ecological variation, and sample size. We used images of moose ( Alces americanus ) from camera traps to parameterize N‐mixture models and tested the effect of ecological conditions, the spatial scale of measurement, and the criteria used to define independent detections on estimates of population abundance. We compared the model estimates to those generated empirically with aerial survey data, the standard method for many species of ungulate. We explored the sensitivity of estimates to model choice based on the common statistical criterion of parsimony. The two most parsimonious N‐mixture models (i.e. AIC c ) were considerably biased, producing implausibly large and considerably imprecise estimates of abundance. Most of the other models produced estimates of moose abundance that were ecologically realistic and relatively accurate. The accuracy of population estimates produced by N‐mixture models was not overly sensitive to the formulation of models, the scale at which ecological conditions were measured, or the criteria used to define independent detection and by extension sample size. Our results suggested that parsimony was a poor measure of the predictive accuracy of the population estimates produced with the N‐mixture model. We recommend using a suite of models to generate predictions of abundance instead of the single top‐ranked model. Collecting and processing data from the aerial survey was less expensive and took less time, but data from camera traps provided a broader set of insights into the behaviour of moose and the co‐occurrence of competitors and predators.
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 ».