Fish dispersal in fragmented landscapes: a modeling framework for quantifying the permeability of structural barriers
Notice bibliographique
Résumé
Dispersal is a key determinant of the spatial distribution and abundance of populations, but human-made fragmentation can create barriers that hinder dispersal and reduce population viability. This study presents a modeling framework based on dispersal kernels (modified Laplace distributions) that describe stream fish dispersal in the presence of obstacles to passage. We used mark-recapture trials to quantify summer dispersal of brook trout (Salvelinus fontinalis) in four streams crossed by a highway. The analysis identified population heterogeneity in dispersal behavior, as revealed by the presence of a dominant sedentary component (48-72% of all individuals) characterized by short mean dispersal distance (<10 m), and a secondary mobile component characterized by longer mean dispersal distance (56-1086 m). We did not detect evidence of barrier effects on dispersal through highway crossings. Simulation of various plausible scenarios indicated that detectability of barrier effects was strongly dependent on features of sampling design, such as spatial configuration of the sampling area, barrier extent, and sample size. The proposed modeling framework extends conventional dispersal kernels by incorporating structural barriers. A major strength of the approach is that ecological process (dispersal model) and sampling design (observation model) are incorporated simultaneously into the analysis. This feature can facilitate the use of prior knowledge to improve sampling efficiency of mark-recapture trials in movement studies. Model-based estimation of barrier permeability and its associated uncertainty provides a rigorous approach for quantifying the effect of barriers on stream fish dispersal and assessing population dynamics of stream fish in fragmented landscapes.
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 ».