Bias in density estimates from avian point-count surveys: Prospects for post-hoc corrections using calibration data
Notice bibliographique
Résumé
Abstract Point-count surveys are commonplace in avian monitoring and research but were initially designed to collect data on avian relative abundance rather than densities. However, the increasing realization that detection biases influence conclusions from point-count surveys has given rise to several statistical approaches to correcting such biases. Distance sampling allows for correction of biases in perceptibility and estimation of avian densities. A key assumption is that distance estimation is accurate, but experimental evidence suggests observation error is large, particularly for estimates based on acoustic detections. We had observers estimate distances to 128 singing birds and one mammal while other staff systematically tracked calling individuals and measured the distance from the observer. Log-log regression showed distance estimation errors and uncertainty increased with increasing distance from the observer. We modeled the relationship between true effective detection radius (EDR) and estimated EDR (including distance estimation error). Simulations showed that species with small EDRs (30 m) had densities underestimated by 23% on average (SD = 11), while densities for species with large (130 m) EDRs were biased upward by 59% on average (SD = 25), but these biases could be corrected post-hoc. Applying the same post-hoc corrections in species-habitat regression models for 4 species of boreal forest birds found that our post-hoc corrections increased EDRs by up to 26% and decreased estimated bird densities by up to 38% for highly detectable species, while effects on less detectable species were more subtle. We suggest collection of more known-distance data that may allow post-hoc corrections to reduce bias in avian density estimates from point-count surveys.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».