Assessing Risk to Birds from Industrial Wind Energy Development via Paired Resource Selection Models
Notice bibliographique
Résumé
When wildlife habitat overlaps with industrial development animals may be harmed. Because wildlife and people select resources to maximize biological fitness and economic return, respectively, we estimated risk, the probability of eagles encountering and being affected by turbines, by overlaying models of resource selection for each entity. This conceptual framework can be applied across multiple spatial scales to understand and mitigate impacts of industry on wildlife. We estimated risk to Golden Eagles (Aquila chrysaetos) from wind energy development in 3 topographically distinct regions of the central Appalachian Mountains of Pennsylvania (United States) based on models of resource selection of wind facilities (n = 43) and of northbound migrating eagles (n = 30). Risk to eagles from wind energy was greatest in the Ridge and Valley region; all 24 eagles that passed through that region used the highest risk landscapes at least once during low altitude flight. In contrast, only half of the birds that entered the Allegheny Plateau region used highest risk landscapes and none did in the Allegheny Mountains. Likewise, in the Allegheny Mountains, the majority of wind turbines (56%) were situated in poor eagle habitat; thus, risk to eagles is lower there than in the Ridge and Valley, where only 1% of turbines are in poor eagle habitat. Risk within individual facilities was extremely variable; on average, facilities had 11% (SD 23; range = 0-100%) of turbines in highest risk landscapes and 26% (SD 30; range = 0-85%) of turbines in the lowest risk landscapes. Our results provide a mechanism for relocating high-risk turbines, and they show the feasibility of this novel and highly adaptable framework for managing risk of harm to wildlife from industrial development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».