Clustering and abundance estimation for Neyman-Scott models and line transect surveys
Neyman–Scott 模型与线样带调查中的聚集及丰度估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究生态调查中的空间聚集与丰度估计，聚集并不等同于所列网络与干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
Neyman–Scott 模型与线样带调查中的聚集及丰度估计
- 研究问题
- 在线样带调查存在检测不完全的情况下，如何估计物种的聚集参数与平均强度，并评估参数化似然方法和既有方法的取舍？
- 方法与思路
- 作者针对简化 Neyman–Scott 泊松模型，假定高斯检测函数，以似然理论构造聚集参数和平均物种强度的估计及标准误表达式。
- 材料陈述的贡献
- 摘要称，估计量和标准误易于计算，似然方法往往具有较高效率；分析还揭示可用于检查检测函数形式的辅助信息。
- 阅读关注点
- 应核对聚集模型与检测函数假设、标准误的适用条件，以及辅助信息如何检查检测函数，并比较效率收益与参数设定依赖程度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；效率优势是摘要陈述，未给出数值或完整条件，也不能推广到检测函数设定错误的情形。
原文摘要
This paper considers the estimation of clustering parameters and mean species intensity based on likelihood theory for the simplified Neyman-Scott Poisson model, with observations taken from line transect surveys with a Gaussian detection function. The estimators and accompanying standard error expressions are tractable and easy to calculate, and, coming from likelihood methods, often will have high efficiency. Such properties compare favourably with those of existing K-function methods which however are semiparametric in nature and less reliant on specfic parametric assumptions. The likelihood analysis reveals auxiliary information which could be used to check the form of the detection function.