Are your data too coarse for speed estimation? Diffusion rates as an alternative measure of animal movement
Notice bibliographique
Résumé
ABSTRACT Estimates of speed and distance traveled are routine in ecological research to provide a link between behavior and energetics. Conventional straight-line displacement (SLD) methods return severely and differentially biased estimates with no ability to evaluate the accuracy of the estimate. Recent methodological advances have improved our ability to estimate these parameters using continuous-time speed and distance (CTSD) estimation. However, even with CTSD estimation, many datasets are too coarse, or the location error is too great to reliably measure speed or distance traveled. To address these limitations, we investigated the relationship between CTSD-estimated mean speed and diffusion rate, where diffusion rate is defined as the variance in displacements per time interval. We calculated CTSD mean speed and diffusion rate estimates using telemetry data (i.e., trajectory data) from over 100 white-tailed deer and simulated telemetry data generated from a known movement model. We examined the relationship between the two measures in both datasets and the effect of sampling frequency on the effective sample size and the estimation of the two parameters. We found that mean speed and diffusion rate were strongly and nonlinearly correlated, with a 1% increase in diffusion rate predicting a 0.40% increase in mean speed (99% CI: 0.38–0.42%) for our focal species. Diffusion rate estimates remained substantially more accurate and precise than speed across sampling interval regimes, even when speed estimation was not possible. Our findings demonstrate that diffusion rate outperforms mean speed as a measure of movement activity under marginal data conditions. Diffusion rate is a reliable measure of movement activity and can link behavior to energetics across a wider range of datasets while maintaining accuracy even when data quality is low. By using speed and diffusion together, researchers can rely on more robust insights into space use across a range of ecological contexts.
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 | 0,017 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».