Scat detection dogs in wildlife research and management: application to grizzly and black bears in the Yellowhead Ecosystem, Alberta, Canada
Notice bibliographique
Résumé
We report the development and application of a method using domestic dogs (Canis familiaris Linnaeus, 1758) to systematically locate wildlife scat over large remote areas. Detection dogs are chosen for their strong object orientation, high play drive, and willingness to strive for a reward. Dogs were trained to detect grizzly bear (Ursus arctos Linnaeus, 1758) and black bear (Ursus americanus Pallas, 1780) scats over a 5200-km 2 area of the Yellowhead Ecosystem, Alberta, Canada. DNA from scat provided the species and (for grizzly bears only) sex and individual identities of the animal at each location. Concentrations of fecal cortisol and progesterone metabolites from these same grizzly bear scats provided indices of physiological stress and reproductive activity (in females), respectively. Black and grizzly bears were most concentrated in the northern portion of the multiuse study area, where food is most abundant yet poaching-related mortality appears to be heaviest. Physiologic stress was also lowest and female reproductive activity correspondingly highest for grizzly bears in the north. The scat-based distributions corresponded to concurrently collected hair-snag data in 1999 and global positioning system radiotelemetry data (of grizzly bears) in 1999 and 2001. Results suggest that the scat dog detection methodology provides a promising tool for addressing a variety of management and research questions in the wildlife sciences.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».