Camera traps placed to detect predators underestimate prey densities
Notice bibliographique
Résumé
Abstract Mountain ungulates play an important role in ecosystems as primary consumers and as prey for rare predators. Monitoring their populations is therefore critical for conservation efforts. Within the 12 countries comprising the range of the snow leopard Panthera uncia , camera traps are routinely deployed to estimate numbers of this apex predator, providing an opportunity to also estimate numbers of their prey using bycatch data. However, the relative accuracy of the resulting prey density estimates compared to field surveys targeted specifically at prey species was unknown. We compared the performance of distance sampling based on camera-trap data with field surveys to estimate population densities of bharal Pseudois nayaur . We assessed estimates of bharal numbers from cameras placed to detect snow leopards (where ungulate captures presented bycatch data) against estimates from cameras placed specifically to detect bharal and then compared both with an independent estimate of bharal density from double-observer surveys and a total count of all bharal in the study area. The double-observer field surveys suggested a density of 1.94 bharal/km 2 , which was similar to the density derived from the total count (1.92 bharal/km 2 ). By comparison, we estimated density to be 2.11 bharal/km 2 from camera-based distance sampling and 0.35 bharal/km 2 from cameras placed to detect snow leopards (bycatch data). The density estimate from the ungulate bycatch data was significantly lower than that from the double-observer field survey and from the total count. It was also less precise, more costly and more time-consuming to obtain. Our results caution against using bycatch data from surveys designed for predators to estimate ungulate prey densities and indicate that tailored survey methods are required.
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) | 0,001 | 0,001 |
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 ».