Using data from camera traps and autonomous recording units to evaluate and improve species-habitat inferences
Notice bibliographique
Résumé
In vast and remote regions such as the boreal forest of northern Canada, population dynamics of most wildlife species are poorly understood because of limited sampling. Habitat models are a key tool to identify important habitat types, predict species occurrences in unsampled areas, and ultimately inform conservation actions. There are many sampling methods available to generate data to fit habitat models, each of which has pros and cons. We evaluated the use of data from two non-invasive sampling methods in the Northwest Territories, Canada: autonomous recording units (ARUs, n = 160) and camera traps (n = 229), to create habitat models for Sandhill Cranes Antigone canadensis. Specifically, we tested for differences in model fit between sampling methods using habitat information at different spatial scales (300 and 2000 m around sampling points). We considered the smaller scale to represent the home range of a pair of cranes and the larger to represent the landscape scale. We also tested whether an integrated habitat model that combined data from both sampling methods would improve predictive performance over single sampling method models. Both methods sampled cranes well, and we found similar directions and magnitudes of parameter estimates generated from all three models (ARU, camera trap, and integrated). Models using ARU data estimated higher overall occupancy probability than those using camera trap data and had better fits at the 2000 m scale, while the camera trap models had better fit at the 300 m scale. The integrated model combined inferences from both sampling methods but did not improve predictive performance. For cranes, we recommend that ARUs be used when the best estimate of landscape scale occupancy is required, and that camera traps be used when information is needed on home range use at a smaller scale. Using both sampling methods can strengthen inferences across scales and improve knowledge of understudied species in remote regions, but the utility of integrating the data into one modeling framework was not shown and should be further evaluated.
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 | 0,010 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».