that were placed in the exact same

that were placed in the exact same locations in both years (i.e., 75 locations
in 2010 and 2011 for a total of 150 locations). We ran models where the prey
covariate was included as a single variable, summing the total number of
detections for all six primary prey species at each camera trap (29).We used this
method rather than including the total number of detections from each of the
six prey species as covariates, because two prey species (i.e., gaur and hog deer)
were not detected outside the park. Because spotted deer comprised 75%of all
prey detections (Figs. S2 and S3), we also ran each model just using the total
number of spotted deer detections at each camera trap as the prey covariate.
This method produced similar results to the results produced using the combined
prey covariate; therefore, we only report models using the combined
prey covariate.Models were ranked according to their second-order Akaike’s
information criterion (AICc), with higher-ranked models having lower AICc
values. Because several models with different combinations of covariates
performed comparatively well (i.e., ΔAICc < 4), we averaged model results
(i.e., covariate coefficients, detection probability, and occupancy) from the
top-ranked models using standard methods (i.e., multimodel inference) (57).
Model-averaged coefficient estimates were considered significant if their unconditional 95%CIs did not include zero. We used kernel density estimation
to estimate the probability density function of the activity patterns (i.e., density
of activity) of tigers and types of human presence. Then,we used the procedures
described in ref. 34 to measure the extent of overlap between them.

ผลลัพธ์ (ไทย) 1:

ที่ถูกวางในตำแหน่งเดียวกันแน่นอนทั้งปี (เช่น 75 ตำแหน่งในปี 2553 และ 2554 จำนวน 150 ตำแหน่ง) เราวิ่งแบบที่เหยื่อcovariate ถูกรวมเป็นตัวแปรเดียว รวมจำนวนdetections สำหรับหลักทั้งหมด 6 กลุ่มเป้าหมายชนิดที่แต่ละกับดักกล้อง (29) เราใช้นี้วิธีการแทนที่รวมทั้งจำนวนของ detections จากแต่ละ6 กลุ่มเป้าหมายชนิดเป็น covariates เนื่องจากสองกลุ่มเป้าหมายชนิด (เช่น gaur และหมูเดียร์)ไม่ตรวจพบนอกสวน เนื่องจาก 75% ของทั้งหมดประกอบด้วยเดียร์ด่างเหยื่อ detections (มะเดื่อ S2 และ S3), เรายังวิ่งแต่ละรุ่นที่ใช้รวมจำนวน detections เดียร์ด่างที่กับดักแต่ละกล้องเป็น covariate เหยื่อวิธีการนี้ผลิตผลคล้ายกับผลผลิตโดยใช้การรวมเหยื่อ covariate ดังนั้น เราเพียงรายงานใช้การรวมแบบจำลองcovariate เหยื่อ รุ่นถูกจัดอันดับตาม Akaike ลำดับที่สองของพวกเขาข้อมูลเกณฑ์ (AICc), กับอันดับสูงรุ่นมี AICc ล่างค่า เนื่องจากหลายรูปแบบ ด้วยชุดของ covariatesทำดีอย่างหนึ่งด้วย (เช่น ΔAICc < 4), เรา averaged รูปแบบผลลัพธ์(เช่น สัมประสิทธิ์ covariate ตรวจสอบความน่าเป็น และพัก) จากการอันดับแบบจำลองโดยใช้วิธีมาตรฐาน (เช่น multimodel ข้อ) (57)ประเมิน averaged แบบจำลองสัมประสิทธิ์ได้ถือสำคัญของ CIs 95% โดยไม่มีเงื่อนไขไม่มีศูนย์ เราใช้การประเมินความหนาแน่นของเคอร์เนลการประมาณการฟังก์ชันความหนาแน่นของความน่าเป็นรูปแบบกิจกรรม (เช่น ความหนาแน่นกิจกรรม) ของเสือและชนิดของสถานะของมนุษย์ จากนั้น เราใช้ขั้นตอนอธิบายไว้ในอ้างอิง 34 วัดขอบเขตของการเหลื่อมกันระหว่างพวกเขา

ผลลัพธ์ (ไทย) 2:

ที่ถูกวางไว้ในสถานที่เดียวกันแน่นอนทั้งในปีที่ผ่านมา (เช่นสถานที่ 75
ในปี 2010 และ 2011 รวมทั้งหมด 150 สถานที่) เราวิ่งรุ่นที่เหยื่อ
ตัวแปรร่วมรวมเป็นตัวแปรเดียวข้อสรุปจำนวนรวมของ
การตรวจจับสำหรับทุกหกเหยื่อชนิดหลักในแต่ละดักกล้อง (29) เราใช้วิธีนี้
มากกว่าวิธีการรวมทั้งจำนวนรวมของการตรวจจับจากแต่ละ
หกเหยื่อชนิดเป็นตัวแปรเพราะทั้งสองชนิดเหยื่อ (เช่นกระทิงกวางและหมู)
ไม่พบนอกสวน เพราะกวางด่างประกอบด้วย 75% ของ
การตรวจจับเหยื่อ (มะเดื่อ. S2 และ S3) เรายังวิ่งแต่ละรุ่นเพียงแค่ใช้ทั้งหมด
จำนวนการตรวจจับกวางด่างในแต่ละดักกล้องเป็นตัวแปรร่วมเหยื่อ.
วิธีการนี้จะผลิตผลลัพธ์ที่คล้ายกับผลการผลิต ใช้รวม
เหยื่อตัวแปรร่วม; ดังนั้นเราจึงมีเพียงรายงานโดยใช้รูปแบบการรวม
covariate.Models เหยื่อถูกจัดอันดับตามสองสั่งของพวกเขา Akaike ของ
เกณฑ์ข้อมูล (AICC) ที่มีรูปแบบการจัดอันดับที่สูงขึ้นมีต่ำ AICC
ค่า เพราะหลายรูปแบบที่แตกต่างกันกับชุดของตัวแปร
ดำเนินการเปรียบเทียบกัน (เช่นΔAICc <4) เราเฉลี่ยผลรูปแบบ
(เช่นค่าสัมประสิทธิ์ตัวแปรร่วมน่าจะเป็นการตรวจสอบและการเข้าพัก) จาก
นางแบบชั้นนำจัดอันดับโดยใช้วิธีการมาตรฐาน (เช่นการอนุมาน multimodel) (57).
รุ่นเฉลี่ยประมาณการค่าสัมประสิทธิ์การได้รับการพิจารณาที่สำคัญหากพวกเขาอย่างไม่มีเงื่อนไข CIS 95% ไม่ได้รวมศูนย์ เราใช้การประมาณค่าความหนาแน่นของเคอร์เนล
ในการประมาณฟังก์ชันความหนาแน่นความน่าจะเป็นรูปแบบของกิจกรรม (เช่นความหนาแน่น
ของกิจกรรม) ของเสือและประเภทของการแสดงตนของมนุษย์ จากนั้นเราจะใช้วิธีการที่
อธิบายไว้ในการอ้างอิง 34 การวัดขอบเขตของการทับซ้อนกันระหว่างพวกเขา

ผลลัพธ์ (ไทย) 3:

ที่ถูกวางในตำแหน่งเดียวกันทั้ง 2 ปี ( คือ 75 สถานที่
ในปี 2010 และ 2011 สำหรับทั้งหมด 150 ตำแหน่ง ) เราวิ่งแบบที่เหยื่อ
ชุดคือรวมเป็นตัวแปรเดียว , รวมจำนวน
ตรวจจับทั้งหมดหกหลักเหยื่อชนิดที่กล้องแต่ละกับดัก ( 29 ) เราใช้วิธีนี้
มากกว่ารวมทั้งจำนวนเรื่องละ
6 ความรู้ชนิดเป็นเหยื่อเพราะเหยื่อสองชนิด ( ได้แก่ กระทิง และหมูป่ากวาง )
ไม่พบ นอกเขตอุทยาน เพราะกวางดาวจำนวน 75% ของการตรวจจับเหยื่อทั้งหมด
( Figs S2 และ S3 ) นอกจากนี้เรายังวิ่งแต่ละรุ่นจะใช้จำนวน
ของกวางดาวในแต่ละกล้องตรวจจับกับดักเป็นเหยื่อขณะ
วิธีนี้ผลิตผลคล้ายกับผลผลิตโดยรวม
เหยื่อร่วม ดังนั้น เราเพียง แต่รายงานแบบใช้ชุดเหยื่อรวม
. รุ่นเรียงตามเกณฑ์เคราะห์ข้อมูลที่สองของ
( aicc ) กับรุ่นที่สูงขึ้นการจัดอันดับ aicc
มีค่าลดลง เพราะหลายรุ่นที่มีชุดค่าผสมที่แตกต่างกันของความรู้
ดำเนินการเปรียบเทียบดี ( เช่น Δ aicc < 4 ) เราเฉลี่ย
ผลรูปแบบ ( เช่นตัวแปรสัมประสิทธิ์ความน่าจะเป็นการตรวจหา และอาคารพาณิชย์ ) จาก
อันดับรุ่นโดยใช้วิธีมาตรฐาน ( เช่น multimodel การอนุมาน ( 57 ) .
แบบเฉลี่ยสัมประสิทธิ์ประมาณว่าถ้าพวกเขาอย่างไม่มีเงื่อนไข 95% CIS ไม่ได้รวมศูนย์ เราใช้แก่นความหนาแน่นประมาณ
เพื่อประมาณฟังก์ชันความหนาแน่นของความน่าจะเป็นของกิจกรรมรูปแบบความหนาแน่น
( เช่น