Field data collected for "Estimating the ecological drivers of insect abundance when detection is imperfect"
Notice bibliographique
Résumé
##--------------------------------------------------------------------------## DATA COLLECTION OVERVIEW<br>We collected mark-recapture data for 8 species of wild bees from 10 field sites in summer 2022 and 2023. See the readme file "README.txt" for more info about how we analyzed the data. <br>We collected mark-recapture data for wild bees, using a POSCA paint pen to apply marks (data specific but not individual bee specific marks). This allowed us to determine whether we previously encountered bees on our second and third repeat surveys to a site. We analyzed these data with multinomial N-mixture model.<br>Alternatively, we ignored whether bees were marked and simply recorded the total number of marked / unmarked bees that were detected (a simple count). We analyzed these data with binomial N-mixture model or with a GLMM.<br>The data were collected in 45 minute survey rounds of active survey time, using a sweep net and pausing the timer for handling bees caught in the net. All data were collected by J. Ulrich, with a second rotating observer following and helping to spot bees. The sites were an area of 100m x 100m, all in urban parks in Vancouver, Canada. Half of the sites were conventionally managed. For the other half of the sites, mowing was reduced and wildflower seeds were added. In https://doi.org/10.1111/ele.70037 we showed that this increased flowering species richness, and also increased vegetation height. All sites were surveyed 3 times per season, in summer 2022 and again in summer 2023. <br>See the METADATA.txt file for more information on the dataset columns.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,062 | 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 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 ».