Seasonal Habitat Associations of the Wolverine in Central Idaho
Notice bibliographique
Résumé
ABSTRACT Although understanding habitat relationships remains fundamental to guiding wildlife management, these basic prerequisites remain vague and largely unstudied for the wolverine. Currently, a study of wolverine ecology conducted in Montana, USA, in the 1970s is the sole source of information on habitat requirements of wolverines in the conterminous United States. The Montana study and studies conducted in Canada and Alaska report varying degrees of seasonal differences in wolverine habitat use. This article provides an empirical assessment of seasonal wolverine habitat use by 15 wolverines ( Gulo gulo ) radiotracked in central Idaho, USA, in 1992–1996. We controlled for radiotelemetry error by describing the probability of each location being in a habitat cover type, producing a vector of cover type probabilities suited for resource selection analysis within a logistic regression framework. We identified variables that were important to presence of wolverines based on their strength (significance) and consistency (variability in coeff. sign) across all possible logistic regression models containing 9 habitat cover types and 3 topographic variables. We selected seasonal habitat models that incorporated those variables that were strong and consistent, producing a subset of potential models. We then ranked the models in this subset based on Akaike's Information Criterion and goodness‐of‐fit. Wolverines used modestly higher elevations in summer versus winter, and they shifted use of cover types from whitebark pine ( Pinus albicaulis ) in summer to lower elevation Douglas fir ( Pseudotsuga menziezii ) and lodgepole pine ( Pinus contorta ) communities in winter. Elevation explained use of habitat better than any other variable in both summer and winter. Grass and shrub habitats and slope also had explanatory power. Wolverines preferred northerly aspects, had no attraction to or avoidance of trails during summer, and avoided roads and ungulate winter range. These findings improve our understanding of wolverine presence by demonstrating the importance of high‐elevation subalpine habitats to central Idaho wolverines.
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 ».