Modeling Wolverine Occurrence Using Aerial Surveys of Tracks in Snow
Notice bibliographique
Résumé
ABSTRACT We designed a novel approach to determining extent of distribution and area of occupancy for wolverines ( Gulo gulo ) by using aerial surveys of tracks in snow and hierarchical spatial modeling. In 2005 we used a small, fixed‐wing aircraft with pilot and one observer to search 575 of 588 survey units for wolverine tracks in approximately 60,000 km 2 of boreal forest in northwestern Ontario, Canada. We used sinuous flight paths to scan open areas in the forest in the 100‐km 2 survey units. We detected tracks in 138 (24%) of the 575 sampled units. There was strong evidence of occurrence (probability of occurrence >0.80) in 30% of the 588 survey units, weak evidence of occurrence (0.50–0.80) in 12%, weak evidence of absence (0.20–0.50) in 15%, and strong evidence of absence (< 0.20) in 43%. Wolverine range comprised 59% of the study area and area of occupancy was 33,400 km 2 . With information on probability of occurrence and core areas of occupation for wolverines in our study area, resource managers and others can examine factors that influence wolverine distribution patterns and use this information to formulate best management practices that will maintain wolverines on the landscape in the face of increasing resource development. Comparing future survey results with those of our 2005 survey will provide an objective way to assess the efficacy of management practices.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».