Data from: Camera-based occupancy monitoring at large scales: power to detect trends in grizzly bears across the Canadian Rockies
Notice bibliographique
Résumé
Monitoring carnivores is critical for conservation, yet challenging because they are rare and elusive. Few methods exist for monitoring wide-ranging species over large spatial and sufficiently long temporal scales to detect trends. Remote cameras are an emerging technology for monitoring large carnivores around the world because of their low cost, non-invasive methodology, and their ability to capture pictures of species of concern that are difficult to monitor. For species without uniquely identifiable spots, stripes, or other markings, cameras collect detection/non-detection data that are well suited for monitoring trends in occupancy as its own independent useful metric of species distribution, as well as an index for abundance. As with any new monitoring method, prospective power analysis is essential to ensure meaningful trends can be detected. Here we test camera-based occupancy models as a method to monitor changes in occupancy of a threatened species, grizzly bears (Ursus arctos), at large landscape scales, across 5 Canadian national parks (~21,000 km2). With n = 183 cameras, the top occupancy model estimated regional occupancy to be 0.79 across all 5 parks. We evaluate the statistical power to detect simulated 5–40% declines in occupancy between two sampling years and test applied questions of how power is affected by the spatial scale of interest (park level vs. regional level), the number of cameras deployed, and duration of camera deployment. We also explore several ecological mechanisms (i.e., spatial patterns) of decline in occupancy, and examine how power changes when focusing only on grizzly bears family groups. As hypothesized, statistical power increased with the number of cameras and with the number of days deployed. Power was unaffected, however, by the ecological mechanisms of decline, indicating that our systematic sampling design can detect a decline regardless of whether occupancy declined due to range edge attrition, ecological trap or other mechanisms. Despite their lower occupancy, power was similarly high for grizzly bear family groups compared to grizzly bears in general. We highlight which study design attributes contributed to high power and we provide advice for establishing cost-effective camera-based programs for monitoring large carnivore occupancy at large spatial scales.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».