Home‐range spillover in habitats with impassable boundaries: Causes, biases and corrections using autocorrelated kernel density estimation
Notice bibliographique
Résumé
Abstract An animal's home‐range plays a fundamental role in determining its resource use and overlap with conspecifics, competitors and predators, and is therefore a common focus of movement ecology studies. Autocorrelated kernel density estimation addresses many of the shortcomings of traditional home‐range estimators when animal tracking data are autocorrelated, but other challenges in home‐range estimation remain. One such issue is known as ‘spillover bias’, in which home‐range estimates do not respect impassable movement boundaries (e.g. shorelines and fences), and occurs in all forms of kernel density estimation. While several approaches to addressing spillover bias are used when estimating home ranges, these approaches introduce bias throughout the remaining home‐range area, depending on the amount of spillover removed, or are otherwise inaccessible to most ecologists. Here, we introduce local corrections to home‐range kernels to mitigate spillover bias in (autocorrelated) kernel density estimation in the continuous time movement model (ctmm) package, and demonstrate their performance using simulations with known home‐range extents and distributions, and a real‐world case study. Simulation results showed that local corrections minimized bias in bounded home‐range area estimates, and resulted in more accurate distributions when compared with commonly used post hoc corrections, particularly at small–intermediate sample sizes. Comparison of the impacts of local vs. post hoc corrections to bounded home‐ranges estimated from lake trout ( Salvelinus namaycush ) demonstrated that local corrections constrained the redistribution of probability mass within the remaining home‐range area, resulting in proportionally smaller home‐range areas compared with when post hoc corrections are used.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».