Toward Best Practices for Developing Regional Connectivity Maps
Notice bibliographique
Résumé
To conserve ecological connectivity (the ability to support animal movement, gene flow, range shifts, and other ecological and evolutionary processes that require large areas), conservation professionals need coarse-grained maps to serve as decision-support tools or vision statements and fine-grained maps to prescribe site-specific interventions. To date, research has focused primarily on fine-grained maps (linkage designs) covering small areas. In contrast, we devised 7 steps to coarsely map dozens to hundreds of linkages over a large area, such as a nation, province, or ecoregion. We provide recommendations on how to perform each step on the basis of our experiences with 6 projects: California Missing Linkages (2001), Arizona Wildlife Linkage Assessment (2006), California Essential Habitat Connectivity (2010), Two Countries, One Forest (northeastern United States and southeastern Canada) (2010), Washington State Connected Landscapes (2010), and the Bhutan Biological Corridor Complex (2010). The 2 most difficult steps are mapping natural landscape blocks (areas whose conservation value derives from the species and ecological processes within them) and determining which pairs of blocks can feasibly be connected in a way that promotes conservation. Decision rules for mapping natural landscape blocks and determining which pairs of blocks to connect must reflect not only technical criteria, but also the values and priorities of stakeholders. We recommend blocks be mapped on the basis of a combination of naturalness, protection status, linear barriers, and habitat quality for selected species. We describe manual and automated procedures to identify currently functioning or restorable linkages. Once pairs of blocks have been identified, linkage polygons can be mapped by least-cost modeling, other approaches from graph theory, or individual-based movement models. The approaches we outline make assumptions explicit, have outputs that can be improved as underlying data are improved, and help implementers focus strictly on ecological connectivity.
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 | 0,074 | 0,221 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,025 | 0,023 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,019 | 0,020 |
| Science ouverte | 0,016 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,015 |
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 ».