Integrated risk factors for vertebrate roadkill in southern Ontario
Notice bibliographique
Résumé
Abstract Road mortality of animals (roadkill) threatens public safety and wildlife populations. As mitigation tools, predictive models of roadkill are becoming more common in the published literature; however, few models generalize across multiple taxa, and thus are less useful for management scenarios that account for multiple target species. Using a dataset of 653 vertebrate roadkills collected from 2 parks in southern Ontario, we constructed generalized linear mixed models to determine the simultaneous risk factors for bird, frog, mammal, five‐lined skink ( Eumeces fasciatus ), snake, toad, and turtle hatchling roadkills from among a set of 8 potential predictor variables. Posted road speed limit was the dominant roadkill predictor (positive coefficient), followed by maximum daily temperature (positive), habitat diversity (positive), and distance from wetlands (negative). All else being equal, as road speed limits increase from 20 km/hr to 50 km/hr, the model predicted the season's mean roadkill probability for a given location to increase from less than 0.1 to 0.75. Conversely, roadkill probability declined from 0.55 to 0.29 as distance from wetland edges increases from 0 km to 1 km. Model diagnostics calculated from randomly resampled cross‐validation datasets indicated that the best model formulation had an averaged predictive accuracy of 67.5% and an area under the curve (AUC) of 0.867. The best model also reflected seasonal patterns of animal behavior, including late‐summer frog movements and fall turtle hatching events. The best model also compared favorably to single‐taxon equivalent models. To reduce the incidence of vertebrate roadkill, we recommend that managers lower road speed limits, especially on roads near diverse habitats and near wetlands, and on warmer days if temporary signage is used. © 2012 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 | 0,001 | 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 | 0,000 |
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 ».