Flexible movement kernel estimation in habitat selection analyses with generalized additive models
Notice bibliographique
Résumé
Abstract Habitat selection analysis includes resource selection analysis (RSA) and step selection analysis (SSA). These frameworks are used in order to understand space use of animals. Particularly, the SSA approach specifies the area available to the animal through a movement kernel. This movement kernel is typically defined as the product of independent parametric distributions of step lengths (SLs) and turning angles (TAs). However, these independence and parametric assumptions may not always be plausible for real data where short SLs are often correlated with large TAs and vice versa. The objective of this paper was to relax the need for parametric distributions of step lengths and turning angles, using generalized additive models (GAMs) and the R ‐package mgcv , based on the work of Klappstein et al. (2024). For this, we propose specifying the movement kernel as a bivariate tensor product, rather than independent distributions of SLs and TAs. In addition, we account for residual spatial autocorrelation in this GAM approach. Using simulations, we show that the tensor product approach accurately estimates the underlying movement kernel and that the fixed effects of the model are not biased. In particular, if the data are simulated with a copula distribution for SL and TA, that is if the independence assumption for SL and TA does not hold, the GAM approach produces better estimates than the classical approach. In addition, including a bivariate tensor product in the model leads to a better uncertainty estimation of the model parameters and lower mean‐squared error of the model predictions. Incorporating a bivariate tensor product solves the problem of assuming parametric distributions and independence between SLs and TAs. This offers greater flexibility and makes the analysis of real data more reliable.
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 | 0,012 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».