The constant increase in energy consumption has created the necessity of extending the energy transmission and distribution network. Placement of powerlines represent a risk for bird population. Hence, better understanding of deaths induced by powerlines, and the factors behind them are of paramount importance to reduce the impact of powerlines. To address this concern, professional surveys and citizen science data are available. While the former data type is observed in small portions of the space by experts through expensive standardized sampling protocols, the latter is opportunistically collected by citizen scientists. We set up full Bayesian spatial models that 1) fusion both professional surveys and citizen science data and 2) explicitly account for preferential sampling that affects professional surveys data and for factors that affect the quality of citizen science data. The proposed models are part of the family of latent Gaussian models as both data types are interpreted as thinned spatial point patterns and modeled as log-Gaussian Cox processes. The specification of these models assume the existence of a common latent spatial process underlying the observation of both data types. The proposed models are used both on simulated data and on real-data of powerline-induced death of birds in the Trondelag in Norway. The simulation studies clearly show increased accuracy in parameter estimates when both data types are fusioned and factors that bias their collection processes are properly accounted for. The study of powerline-induced deaths shows a clear association between the density of the powerline network and the risk that powerlines represent for bird populations. The choice of model is relevant for the conclusions from this case study as different models estimated the association between risk of powerline-induced deaths and the amount of exposed birds differently.


翻译:能源消耗的不断增加使得有必要扩大能源传输和分配网络。电线的布局对鸟类构成风险。因此,更好地了解电线造成的死亡以及电线背后的各种因素对于减少电线的影响至关重要。为了解决这一关切,可以进行专业调查和公民科学数据。专家通过昂贵的标准化采样程序在空间的一小部分观察到了前一种数据类型,而后者则由公民科学家随机收集。我们建立了完整的巴伊西亚空间模型,1)专业调查和公民科学数据相结合,2)明确说明优选抽样,影响专业调查数据以及影响公民科学数据质量的因素。拟议的模型是隐性高斯模型的一部分,因为这两种数据类型都被解释为薄度的空间点模式,并被建模为对古斯考克斯过程的模型。这些模型的规格假定存在一种共同的潜伏空间进程,作为两种数据类型观测的基础。拟议模型既用于模拟数据,又用于对Trondeus调查数据数据和影响公民科学数据质量的因素进行精度的精度抽样抽样抽样抽样抽样抽样抽样抽样抽样调查。在挪威的模型和指数中清楚地显示,这种指数的精确度的指数分析显示,这种指数的指数是不同的死亡率的指数的精确度。</s>

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
VIP会员
相关VIP内容
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员