MétaCan
Menu
Retour à la cohorte
Enregistrement W6967289133 · doi:10.5061/dryad.g79cnp5wv

Data from: One-stage spatial mark-resight analysis reveals an increasing grizzly bear population with declining density near roads

2025· dataset· en· W6967289133 sur OpenAlexaffabout

Notice bibliographique

RevueDRYAD · 2025
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensParks Canada
Organismes subventionnairesnon disponible
Mots-clésGrizzly BearsAbundance (ecology)WildlifePopulationPopulation densityPopulation modelDistance samplingAerial surveyPopulation size

Résumé

récupéré en direct d'OpenAlex

Wildlife ecologists throughout the world strive to monitor trends in population abundance to help manage wildlife populations and conserve species at risk. Spatial capture-recapture studies are the gold standard for monitoring density, yet they can be difficult to apply because researchers must be able to distinguish all detected individuals. Spatial mark-resight (SMR) models only require a subset of the population to be marked and identifiable. Recent advances in SMR models with radio-collared animals required a two-staged analysis. We developed a one-stage generalized SMR (gSMR) model that used detection histories of marked and unmarked animals in a single analysis. We used simulations to assess the performance of one- and two-stage gSMR models. We then applied the one-stage gSMR with telemetry and remote camera data to estimate grizzly bear (Ursus arctos) abundance from 2012 to 2023 within the Canadian Rocky Mountains. We estimated abundance trends for the population and reproductive females (females with cubs of the year). Simulations suggest one- and two-stage models performed equally well. One-stage models are more dependable as they use exact likelihoods whereas two-stage models have shorter computation times for large datasets. Both methods had > 95% credible interval coverage and minimal bias. Increasing the number of marked animals increased the accuracy and precision of abundance estimates and > 10 marked animals were required to obtain coefficients of variation < 20% in most scenarios. The grizzly bear population increased slightly (growth rate λmean = 1.02) to a 2023 density of 10.4 grizzly bears/1000 km2. Reproductive female abundance had high interannual variability and increased to 1.0 bears/1000 km2. Population density was highest within protected areas, within high quality habitat and far from paved roads. The density of activity centers declined near paved roads over time. Mechanisms of decline may have included direct mortality and shifting activity centers to avoid human activity. Our study demonstrates the influence of human activity on localized density and importance of protected areas for carnivore conservation. Finally, our study highlights the widespread utility of remote camera and telemetry-based spatial mark-resight models for monitoring spatiotemporal trends in 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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,491
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0030,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,331
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDRYADTravaux en français237 207