Characterizing demographic parameters across environmental gradients: a case study with Ontario moose (<i>Alces alces</i>)
Notice bibliographique
Résumé
Population‐level demographic characteristics as estimated by standard logistic growth models (i.e., carrying capacity and intrinsic growth rate) should vary with changes in habitat quality and availability of resources. However, few published studies have tested this hypothesis by comparing population growth rates across broad bioclimatic gradients, and fewer still the carrying capacities of those populations. We used time series data on moose ( Alces alces ) population densities based on aerial census and hunter harvest data for 34 management units across Ontario to estimate local carrying capacities and intrinsic growth rates. These population parameters were then regressed against associated habitat covariates for each management unit to assess how moose demography changes across a broad gradient of productivity, habitat abundance, and timber harvest. Moose carrying capacity was found to increase with increasing forest productivity as measured by ΔNDVI and the proportion of mixedwood stands in the forest. Both variables are plausibly indicative of high quality forage abundance for moose. Moose carrying capacity decreased with the proportion of forest stands harvested for timber annually, suggesting that immediate removal of forest stands and increased access by hunters temper maximum population size. Maximum rates of population growth by Ontario moose did not vary predictably with any of the landscape covariates tested. These findings contribute to our understanding of changes in demography across broad geographic and bioclimatic gradients and suggest that crude population estimators may be derived based on known habitat preferences and resource availability without a priori knowledge of animal abundance.
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 | 0,001 |
| 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 | 0,001 |
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 ».