Use of resource selection functions to identify conservation corridors
Notice bibliographique
Résumé
Summary Corridors are commonly used to connect fragments of wildlife habitat, yet the identification of conservation corridors typically neglects processes of habitat selection and movement for target organisms. New technologies and analytical tools make it possible to better integrate landscape patterns with behavioural processes. We illustrate the integration of resource selection functions (RSFs) and least‐cost path (LCP) analyses for the purpose of corridor planning for two large carnivores. We used RSFs developed from Global Positioning System telemetry data to predict the seasonal distribution of two large carnivores: grizzly bears Ursus arctos and cougars Puma concolor . We then applied LCP analyses to identify potential corridors in two fragmented montane landscapes – Canmore and Crowsnest Pass – in Alberta, Canada. Grizzly bear habitat selection in both areas positively correlated with greenness in all seasons and soil wetness and proximity to water in the summer when both variables were associated with bear forage. During spring, grizzly bear occurrence in Canmore inversely correlated with road density. For cougars, habitat selection varied by region: it negatively correlated with road density in Canmore during non‐winter and positively correlated with terrain ruggedness in Crowsnest Pass. Cougar occurrence during the non‐winter season in Canmore positively correlated with greenness. For each species, seasonal RSFs were used to develop a cost surface for LCP analyses to identify potential corridor locations in each study area. Overlaying the paths for the two species highlighted where the landscape could support corridors for both species and potential highway crossing zones. The telemetry data supported some of these modelled crossings. Synthesis and applications. We show how to integrate RSFs and least‐cost modelling to identify corridors for conservation. We focus on two large carnivores in the Canadian Rocky Mountains to identify potential corridors in Canmore and provide a framework for corridor planning in Crowsnest. We suggest that our approach is applicable to many other target species in addition to large carnivores in human‐dominated 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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».