Covariates influence optimal camera‐trap survey design for occupancy modelling
Notice bibliographique
Résumé
Abstract Motion‐activated cameras (‘camera‐traps’) have become indispensable for wildlife monitoring. Data from camera‐trap surveys can be used to make inferences about animal behaviour, space use and population dynamics. Occupancy modelling is a statistical framework commonly used to analyse camera‐trap data, which estimates species occurrence while accounting for imperfect detection. Including covariates in models enables the investigation of relationships between occupancy and the environment. Survey design studies help practitioners decide the number of cameras to deploy, deployment duration and camera positioning. However, existing assessments have generally assumed constant occupancy and detectability (i.e. no covariates were considered), which is unrealistic for most real‐world scenarios. We investigated the effects of covariates on the relationship between survey effort and the combination of accuracy and precision (i.e. error) of occupancy models. Camera‐trap data for a ‘virtual’ species were simulated as a function of randomly generated, site‐ and survey‐specific covariates (e.g. habitat type/quality and temperature, respectively). We then assessed how varying survey design and total effort influenced estimation error with and without covariate information. Increasing the number of cameras consistently reduced error, while longer deployments were only beneficial when the covariate influenced occupancy. When both parameters were affected by covariates, omitting effects on detectability had limited impact on model performance. However, failing to account for effects on occupancy significantly increased error, and none of the predefined thresholds (root mean squared error = 0.15, 0.10 and 0.075) were achievable, even with the maximum survey effort of 9000 camera‐days. These results suggest that increasing survey effort is unlikely to improve model performance unless site‐level conditions are appropriately modelled. Thus, robust study design should consider total effort and the monitoring of covariates across sites to ensure efficient use of time and financial resources.
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 | 0,009 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».