Road kill hotspots do not effectively indicate mitigation locations when past road kill has depressed populations
Notice bibliographique
Résumé
ABSTRACT Negative effects of roads on wildlife include mortality caused by attempted road crossings. The most common method to choose locations for road kill mitigation is to identify hotspots of current road mortality. We evaluated the effect of traffic volume on current road kill hotspots. We used a road kill survey to test for differential traffic effects on road kill by taxonomic group, controlling for effects of habitat. Anuran road kill was negatively related, whereas bird road kill was positively related, to traffic volume. The negative effects of traffic on the birds are at broader spatial extents than we measured, and effective mitigation could be directed by hotspot analysis at this scale. Decreased anuran road kill with increasing traffic volume could be caused by road avoidance or depressed populations, but focusing mitigation efforts on anuran road kill hotspots may ignore populations that have been reduced by past traffic‐related mortality. Road kill hotspot analyses should therefore be used with caution when evaluating mitigation options, since when past mortality reduces populations (e.g., Bouchard et al. 2009, in this region), current road kill numbers can be smallest in precisely the sites with the greatest historical road impact on the population size. Sites with high traffic volume in locations where wildlife habitat is near the road, and particularly where it straddles the road, will often correspond with road kill hotspots, but instances where there is good habitat but low current road kill can indicate particularly important locations for mitigation to restore populations. © 2013 The Wildlife Society.
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 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».