Snapshot Japan 2023: the first camera trap dataset under a globally standardised protocol in Japan
Notice bibliographique
Résumé
Background: There is an urgent need to develop global observation networks to quantify biodiversity trends for evaluating achievements of targets of Kunming-Montreal Global Biodiversity Framework. Camera traps are a commonly used tool, with the potential to enhance global observation networks for monitoring wildlife population trends and has the capacity to constitute global observation networks by applying a unified sampling protocol. The Snapshot protocol is simple and easy for camera trapping which is applied in North America and Europe. However, there is no regional camera-trap network with the Snapshot protocol in Asia. New information: We present the first dataset from a collaborative camera-trap survey using the Snapshot protocol in Japan conducted in 2023. We collected data at 90 locations across nine arrays for a total of 6162 trap-nights of survey effort. The total number of sequences with mammals and birds was 7967, including 20 mammal species and 23 avian species. Apart from humans, wild boar, sika deer and rodents were the most commonly observed taxa on the camera traps, covering 57.9% of all the animal individuals. We provide the dataset with a standard format of Wildlife Insights, but also with Camtrap DP 1.0 format. Our dataset can be used for a part of the global dataset for comparing relative abundances of wildlife and for a baseline of wildlife population trends in Japan. It can also used for training machine-learning models for automatic species identifications.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,010 |
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 ».