Caribou encounters with wolves increase near roads and trails: a time‐to‐event approach
Notice bibliographique
Résumé
Summary 1. Caribou and reindeer Rangifer tarandus are declining across North America and Scandinavia in part from wolf Canis lupus‐mediated apparent competition with more abundant ungulate prey species. While caribou generally persist in areas with low wolf density, wolf packs that overlap caribou ranges could trigger caribou declines. Moreover, anthropogenic linear features such as roads, trails and seismic lines are hypothesized to increase predation risk for caribou, yet few studies have examined the mechanistic effects of linear features or spatial overlap on wolf–caribou encounter rates and predation risk. 2. We used (a) time‐to‐event models of wolf–caribou encounters estimated from concurrent global positioning system (GPS) radio‐collar data from wolves and caribou and (b) wolf resource selection models of travel locations, to determine the potential influence of wolf–caribou spatial overlap, linear features, elevation and season on encounter rates. Analyses were based on data from 35 adult female caribou and 37 male and female wolves from 11 wolf packs from Banff and Jasper National Parks, Canada, from 2002 until 2010. 3. Wolf–caribou encounter rates increased with high wolf–caribou overlap, proximity to linear features and lower elevations. Wolves strongly selected low elevations, especially during winter and spring. Selection for linear features as travel routes increased with elevation. 4. Caribou risk of encounter was highest during the summer and autumn when wolves spent the most time at high elevations. Most wolf‐caused mortalities (n = 12) occurred during spring and summer. 5. Synthesis and applications. The presence of anthropogenic linear features and the amount of time wolves spend in caribou range could be equally as important as wolf density when prioritizing caribou recovery actions such as wolf or primary prey reductions or re‐introductions. The use of GPS locations and time‐to‐event modelling offers a powerful tool for evaluating factors affecting predation risk of threatened and endangered species.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».