USE OF POPULATION VIABILITY ANALYSIS AND RESERVE SELECTION ALGORITHMS IN REGIONAL CONSERVATION PLANS
Notice bibliographique
Résumé
Current reserve selection algorithms have difficulty evaluating connectivity and other factors necessary to conserve wide‐ranging species in developing landscapes. Conversely, population viability analyses may incorporate detailed demographic data, but often lack sufficient spatial detail or are limited to too few taxa to be relevant to regional conservation plans. We developed a regional conservation plan for mammalian carnivores in the Rocky Mountain region using both a reserve selection algorithm (SITES) and a spatially explicit population model (PATCH). The spatially explicit population model informed reserve selection and network design by producing data on the locations of population sources, the degree of threat to those areas from landscape change, the existence of thresholds to population viability as the size of the reserve network increased, and the effect of linkage areas on population persistence. A 15% regional decline in carrying capacity for large carnivores was predicted within 25 years if no addition to protected areas occurred. Increasing the percentage of the region in reserves from the current 17.2% to 36.4% would result in a 1–4% increase over current carrying capacity, despite the effects of landscape change. The population model identified linkage areas that were not chosen by the reserve selection algorithm, but whose protection strongly affected population viability. A reserve network based on carnivore conservation goals incidentally protected 76% of ecosystem types, but was poor at capturing localized rare species. Although it is unlikely that planning for focal species requirements alone will capture all facets of biodiversity, when used in combination with other planning foci, it may help to forestall the effects of loss of connectivity on a larger group of threatened species and ecosystems. A better integration of current reserve selection tools and spatial simulation models should produce reserve designs that are simultaneously biologically realistic and taxonomically inclusive.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».