Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

A comparison of statistical methods for deriving occupancy estimates from machine learning outputs

Identification

Clé publique
radar:r-92f7118228a18bcff4fc438524fb7faa
Auteurs
Lydia K.D. Katsis · Tessa A. Rhinehart · Elizabeth Dorgay · Emma E. Sanchez · Jake L. Snaddon · Charles Patrick Doncaster · Justin A. Kitzes
Année déclarée
2025
Langue déclarée
en
Type source
article
Première détection
2026-11-14T02:17:53.823870+00:00
Dernière observation des métadonnées
2026-11-14T02:17:53.823870+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

University of Southampton · University of Pittsburgh

Pays d’affiliation déclarés

GB · US

Résumé documentaire — langue originale

The combination of autonomous recording units (ARUs) and machine learning enables scalable biodiversity monitoring. These data are often analysed using occupancy models, yet methods for integrating machine learning outputs with these models are rarely compared. Using the Yucatán black howler monkey as a case study, we evaluated four approaches for integrating ARU data and machine learning outputs into occupancy models: (i) standard occupancy models with verified data, and false-positive occupancy models using (ii) presence-absence data, (iii) counts of detections, and (iv) continuous classifier scores. We assessed estimator accuracy and the effects of decision threshold, temporal subsampling, and verification strategies. We found that classifier-guided listening with a standard occupancy model provided an accurate estimate with minimal verification effort. The false-positive models yielded similarly accurate estimates under specific conditions, but were sensitive to subjective choices including decision threshold. The inability to determine stable parameter choices a priori, coupled with the increased computational complexity of several models (i.e. the detection-count and continuous-score models), limits the practical application of false-positive models. In the case of a high-performance classifier and a readily detectable species, classifier-guided listening paired with a standard occupancy model provides a practical and efficient approach for accurately estimating occupancy.

Identifiants

OPENALEX
https://openalex.org/W4409849513
DOI
10.1038/s41598-025-95207-3
PMID
https://pubmed.ncbi.nlm.nih.gov/40289178
PMCID
https://www.ncbi.nlm.nih.gov/pmc/articles/12034756

Repères documentaires

Famille documentaire
article
Types déclarés par les sources
article
Éditeurs
Nature Portfolio

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

OpenAlex · Document 1

Citer cette référence

Lydia K.D. Katsis; Tessa A. Rhinehart; Elizabeth Dorgay; Emma E. Sanchez; Jake L. Snaddon; Charles Patrick Doncaster; Justin A. Kitzes. A comparison of statistical methods for deriving occupancy estimates from machine learning outputs. 2025. https://doi.org/10.1038/s41598-025-95207-3

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Lydia K.D. Katsis; Tessa A. Rhinehart; Elizabeth Dorgay; Emma E. Sanchez; Jake L. Snaddon; Charles Patrick Doncaster; Justin A. Kitzes. (2025). A comparison of statistical methods for deriving occupancy estimates from machine learning outputs. https://doi.org/10.1038/s41598-025-95207-3
Chicago
Lydia K.D. Katsis; Tessa A. Rhinehart; Elizabeth Dorgay; Emma E. Sanchez; Jake L. Snaddon; Charles Patrick Doncaster; Justin A. Kitzes. A comparison of statistical methods for deriving occupancy estimates from machine learning outputs. 2025. https://doi.org/10.1038/s41598-025-95207-3
ISO 690
Lydia K.D. Katsis; Tessa A. Rhinehart; Elizabeth Dorgay; Emma E. Sanchez; Jake L. Snaddon; Charles Patrick Doncaster; Justin A. Kitzes. A comparison of statistical methods for deriving occupancy estimates from machine learning outputs. 2025. https://doi.org/10.1038/s41598-025-95207-3

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. A comparison of statistical methods for deriving occupancy estimates from machine learning outputs. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-92f7118228a18bcff4fc438524fb7faa/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://doi.org/10.1038/s41598-025-95207-3

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature