Estimating the ecological drivers of insect abundance when detection is imperfect
Notice bibliographique
Résumé
Biodiversity conservation hinges on a clear understanding of the ecological drivers of species abundance. In studies of insect abundance, researchers often estimate the effects of hypothesized drivers by applying generalized linear models and generalized linear mixed models (GLMs/GLMMs) to count data. However, a significant issue with conventional GLMs/GLMMs is that they cannot account for a failure to detect some individuals that are present ('imperfect detection'), which can bias model estimates. To account for this, some researchers adopt hierarchical modelling approaches, including multinomial N-mixture (multimix) models for mark-recapture data and binomial N-mixture (binmix) models for repeated count data. Currently, we lack side-by-side comparisons to determine the ecological and study design conditions that require the use of these more cumbersome approaches to achieve accurate estimates. We collected abundance data on wild bees in a study designed to compare unrestored to restored urban parks, which had more flowers and taller vegetation. We applied all three modelling approaches to these data, using either mark-recapture data (multimix approach) or ignoring whether individuals were marked and treating the data as traditional counts (binmix and GLMM approaches). Our models indicated that capture rates for individual bees were below ~5%. The multimix mark-recapture model found that bees were ~1.6-fold more likely to be detected in restored habitats. A GLMM, which did not account for detection bias, overestimated the effects of restoration on bee abundance. Using simulation, we found that multimix mark-recapture models had the highest accuracy and precision for estimating an abundance driver, including when individuals have the potential to move in/out of sampling areas; however, we also found that increasing baseline detection rates minimized the impacts of detection bias on GLMM estimates. Our results emphasize that environmental factors can influence our ability to detect insects in field studies, and that these factors may be confounded with the experimental design. We recommend that studies planning to apply GLMs/GLMMs to count data prioritize methods that maximize detection over other aspects of study design such as the number of sites. Together, our results provide needed guidance on how to design and implement studies that accurately quantify the ecological drivers of insect abundance.
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 | 0,027 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 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 ».