MétaCan
Menu
Retour à la cohorte
Enregistrement W7014730957

RETHINKING RARE: NOVEL APPROACHES TO RARE SPECIES MONITORING AND CONSERVATION

2022· dissertation· en· W7014730957 sur OpenAlexaboutno aff

Notice bibliographique

RevueThe Mathematics Enthusiast · 2022
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThreatened speciesRare speciesPopulationSampling (signal processing)Endangered speciesRare eventsRange (aeronautics)InferenceScarcity
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Conservation of rare species is widely valued and important for ecosystems. Unfortunately, many of the approaches to conserve rare species have been developed with common species (e.g., harvested species) which have larger populations and targeted objectives. Conservation of rare species is difficult in part because of problems created by scarcity and low information. With low information, learning leads to new questions and the utility of information in decisions can quickly become obsolete. Therefore, monitoring strategies that can adapt as well as provide information tailored to relevant decisions are needed. To address rare species monitoring, I developed a long-term monitoring approach for rare species called goal efficient monitoring (GEM). GEM allows monitoring questions to evolve as we obtain information. GEM includes sampling rules connected to a Bayesian integrated population model (IPM), which allows for changing questions and data collection while maintaining long-term inference. For example, GEM sampling rules work when populations are small (less than 10 individuals) and provide guidance to adjust monitoring observations if the population gets large (over 100 individuals), all while maintaining the same long-term inference because of the IPM structure. I outline the GEM approach using Canada lynx (Lynx canadensis), which is Threatened under the Endangered Species Act. To test GEM, I simulated 100 small populations with constant demographic rates for 11 years, applied GEM sampling rules to simulate observations, and predicted population values with the GEM model. On average, the predicted range of values from the GEM model contained the true values 97.1% of the time. These and other results contained within demonstrate how a GEM approach can provide long-term inference for rare species while addressing changing information needs. To address the problem of rare species information that is tailored to decisions made with rare species information, I propose the use of processes from the professional field of Design to reframe the user needs of the rare species information. I provide an overview of how some Design methods are already in use in conservation and how adopting Design processes more formally through the creation of the field of conservation design may aid in rare species conservation.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,198
Score d'incertitude au seuil0,983

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0180,000

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.

Tête enseignante Opus0,145
Tête enseignante GPT0,270
Écart entre enseignants0,125 · 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'étudeQualitatif
Domainenon disponible
GenreEmpirique

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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Mathematics EnthusiastMême sujetSpecies Distribution and Climate ChangeTravaux en français237 207