Parameterizing the random encounter staying time model to generate mean and variance ungulate density and abundance estimates
Notice bibliographique
Résumé
Understanding wildlife density and abundance is perhaps the most important and universal concept across facets of wildlife management, conversation, and research. Despite the significance of understanding species densities in ecology, methods for estimating density for large terrestrial mammals in Canada continue to have high levels of inaccuracy in addition to being a costly, exclusive practice. From the mass use of remote camera traps in wildlife life science came a series of camera trap-based density estimation models, known as viewshed density estimators, which could allow practitioners to estimate wildlife density from camera trap data. Despite the cost-effective and accessible framework, viewshed density estimators remain analytically challenging to parameterize and implement. To accurately estimate density, viewshed density estimators require a precise metric of the physical area camera traps monitor, a highly variable number that can be challenging to quantify. Here, I tested a field and analytical framework that can be used to accurately estimate the spatial footprint of camera traps with a 100% capture probability, the Effective Capture Area. Next, I use the Effective Capture Area to parameterize the Random Encounter Staying Time model of density estimation for generating density and abundance estimates for moose (Alces alces) and elk (Cervus canadensis) across camera trap grids in Riding Mountain National Park, Canada. I show that, given adequate spatial and temporal sampling periods, the Random Encounter Staying Time model produces density and abundance estimates that correlate well with historic aerial flight surveys on both fine- and coarse-spatial scales. Finally, I comment on how viewshed density estimators can improve our understanding of wildlife density and abundance estimation, as well as provide novel insights in many areas of ecological study.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».