Components of Grizzly Bear Habitat Selection: Density, Habitats, Roads, and Mortality Risk
Notice bibliographique
Résumé
Abstract: We used resource selection functions (RSF) to estimate the relative probability of use for grizzly bears ( Ursus arctos ) adjacent to the Parsnip River, British Columbia, Canada, 1998‐2003. We collected data from 30 radiocollared bears on a rolling plateau where a large portion of the landscape had been modified by human activities, primarily forestry. We also monitored 24 radiocollared bears in mountain areas largely inaccessible to humans. Bears that lived on the plateau existed at less than one‐quarter the density of bears in the mountains. Plateau bears ate more high‐quality food items, such as meat and berries, leading us to conclude that food limitation was not responsible for the differences in densities. We hypothesized that plateau bears were limited by human‐caused mortality associated with roads constructed for forestry activities. Independent estimates of bear population size from DNA‐based mark‐recapture techniques allowed us to link populations to habitats using RSF models to scale habitat use patterns to population density. To evaluate whether differences in land‐cover type, roads, or mortality risk could account for the disparity in density we used the mountain RSF model to predict habitat use and number of bears on the plateau and vice versa. We predicted increases ranging from 34 bears to 96 bears on the plateau when switching model coefficients, excluding land‐cover types; when exchanging land‐cover coefficients, the model predicted that the plateau population would be 9 bears lower than was observed. Large reductions in the numbers of mountain bears were predicted by habitat‐selection models of bears using the plateau landscape. Although RSF models estimated in mountain and plateau landscapes could not predict bear use and abundance in the other areas, contrasts in models between areas provided a useful tool for examining the effects of human activities on grizzly bears.
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 | 0,000 | 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 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 ».