Análisis de ocupación de aves nocturnas mediante el uso de herramientas bioacústicas en la reserva comunal de San Pablo Etla, Oaxaca
Bibliographic record
Abstract
"El monitoreo de fauna silvestre se puede entender como un proceso de colecta, análisis y sistematización de informaciones de una especie, población o comunidad animal en el tiempo, con el fin de observar cambios espaciales y temporales en su abundancia y distribución para entender su ecología así como conocer los factores que influyen positiva o negativamente sobre ellos (Mackenzie, 2005, De la Maza y Salas, 2013 y Genoy-Puerto y Martínez, 2016).\nCon referencia a lo anterior existe una gran variedad de técnicas para el monitoreo de fauna silvestre y una de ellas es la bioacústica, que es una ciencia multidisciplinaria que combina ramas de la biología y la acústica. Algunos de los campos dentro de esta ciencia exploran la emisión, propagación y recepción de sonidos producidos por especies animales, así como la relación entre las conductas vocales y el medio ambiente (Tubaro, 1999, Sueur et al., 2014).\nEl monitoreo acústico es una técnica eficaz y no invasiva, no se requiere capturar individuos para contar con la información biológica de interés, así mismo disminuye el esfuerzo humano en el monitoreo y puede ser aplicado a una gran variedad de especies (Becker et al., 2005; Bardeli et al., 2010 y\nDepraetere et al., 2012), el grado de detección es alto en comparación con otras técnicas, cuando las especies focales son raras, amenazadas o difíciles de observar (Vignau y Esteva 2009, Campos-Cerqueira y Aide. 2016).\nLa técnica también es conocida como Monitoreo Acústico Pasivo (PAM por sus siglas en inglés), puede ser empleada para colectar datos acústicos a grandes escalas espaciales y temporales proporcionando información a largo plazo sobre la distribución y variación en la dinámica de las comunidades animales (Van et al. 2009). Estos sistemas de grabación se pueden programar y tienen una alta capacidad de almacenamiento, principalmente en sitios difíciles de acceder como en zonas tropicales (Acevedo y Villanueva-Rivera, 2006 y Brandes, 2008). Los sistemas de grabación autónoma son herramientas efectivas para el monitoreo de la avifauna (Acevedo, Villanueva-Rivera, 2006).\n2\nEl uso de las herramientas bioacústicas (como es el caso del monitoreo acústico) es idóneo cuando se combina con herramientas analíticas adecuadas, por ejemplo, las grabaciones acústicas tienen buenos resultados con combinación con métodos como el de conteo por puntos (Celis-Murillo et al., 2012) y modelos de ocupación (Furnas y Callas 2015), específicamente la combinación del método de Bioacústica y los modelos de ocupación han sido empleados en estudios de población de animales a diferentes escalas espacio temporales, donde usan observaciones básicas de presencia/ausencia con el fin de perfeccionar la estimación de distribución de especies (Caycedo-Rosales et al., 2013; Furnas y Callas 2015; Kalan et al., 2015 y Campos-Cerqueira y Aide, 2016).\nEn seguida se mencionan algunos ejemplos realizados con la combinación de los dos métodos, Kalan et al. (2015) estudiaron y aplicaron ésta técnica a un grupo de primates buscando mejorar también las técnicas acústicas para este grupo, por otro lado Furnas y Callas (2015) usaron grabaciones autónomas y modelos de ocupación para el monitoreo de especie de aves a través de una región geográficas, otro estudio que combinaron estos métodos fue el de Campos-Cerqueira y Aide (2016) que trabajaron con especies de aves amenazadas para conocer la distribución de especies raras o difíciles de observar.\nEl presente reporte se deriva de la realización de estancia académica en el Laboratorio de Bioacústica y Ecología del Comportamiento (LABEC) que pertenece al Centro Interdisciplinario de Investigación para el Desarrollo Integral Regional Unidad Oaxaca, figura 1 (CIIDIR-Oaxaca)."
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".