Comparison of Methods of Monitoring Wildlife Crossing‐Structures on Highways
Notice bibliographique
Résumé
ABSTRACT Wildlife crossing‐structures (e.g., underpasses and overpasses) are used to mitigate deleterious effects of highways on wildlife populations. Evaluating performance of mitigation measures depends on monitoring structures for wildlife use. We analyzed efficacy of 2 noninvasive methods commonly used to monitor crossing‐structure use by large mammals: tracking and motion‐activated cameras. We monitored 15 crossing‐structures every other day between 29 June and 24 October 2007 along the Trans‐Canada Highway in Alberta, Canada. Our objectives were to determine how species‐specific detection rates are biased by the detection method used, to determine factors contributing to crossing‐event detection, and to evaluate the most cost‐effective approach to monitoring. We detected 3,405 crossing events by tracks and 4,430 crossings events by camera for mammals coyote‐sized and larger. Coyotes ( Canis latrans ) and grizzly bears ( Ursus arctos ) were significantly more likely to be detected by track‐pads, whereas elk ( Cervus elaphus ) and deer ( Odocoileus sp.) were more likely to be detected by cameras. Crossing‐event detection was affected by species, track‐pad length, and number of animals using the crossing structure. At the levels of animal activity observed in our study our economic analysis indicates that cameras are more cost‐effective than track‐pads for study durations >1 year. Understanding the benefits and limitations of camera and track‐pad methods for monitoring large mammal movement at wildlife crossing‐structures will help improve the efficiency of studies designed to evaluate the effectiveness of highway mitigation measures.
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 ».