An introduction to statistical models used to characterize species-habitat associations with animal movement data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding species-habitat associations is fundamental to ecological sciences and for species conservation. Consequently, various statistical approaches have been designed to infer species-habitat associations. Due to their conceptual and mathematical differences, these methods can yield contrasting results. In this paper, we describe and compare commonly used statistical models that relate animal movement data to environmental data. Specifically, we examined selection functions which include resource selection function (RSF) and step-selection function (SSF), as well as hidden Markov models (HMMs) and related methods such as state-space models. We demonstrate differences in assumptions while highlighting advantages and limitations of each method. Additionally, we provide guidance on selecting the most appropriate statistical method based on the scale of the data and intended inference. To illustrate the varying ecological insights derived from each statistical model, we apply them to the movement track of a single ringed seal (Pusa hispida) in a case study. Through our case study, we demonstrate that each model yields varying ecological insights. For example, while the selection coefficient values from RSFs appear to show a stronger positive relationship with prey diversity than those of the SSFs, when we accounted for the autocorrelation in the data none of these relationships with prey diversity were statistically significant. Furthermore, the HMM reveals variable associations with prey diversity across different behaviors, for example, a positive relationship between prey diversity and a slow-movement behaviour. Notably, the three models identified different "important" areas. This case study highlights the critical significance of selecting the appropriate model as an essential step in the process of identifying species-habitat relationships and specific areas of importance. Our comprehensive review provides the foundational information required for making informed decisions when choosing the most suitable statistical methods to address specific questions, such as identifying expansive corridors or protected zones, understanding movement patterns, or studying behaviours. In addition, this study informs researchers with the necessary tools to apply these methods effectively.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle