Using a genetic network to parameterize a landscape resistance surface for fishers, Martes pennanti
Notice bibliographique
Résumé
Knowledge of dispersal-related gene flow is important for addressing many basic and applied questions in ecology and evolution. We used landscape genetics to understand the recovery of a recently expanded population of fishers (Martes pennanti) in Ontario, Canada. An important focus of landscape genetics is modelling the effects of landscape features on gene flow. Most often resistance surfaces in landscape genetic studies are built a priori based upon nongenetic field data or expert opinion. The resistance surface that best fits genetic data is then selected and interpreted. Given inherent biases in using expert opinion or movement data to model gene flow, we sought an alternative approach. We used estimates of conditional genetic distance derived from a network of genetic connectivity to parameterize landscape resistance and build a final resistance surface based upon information-theoretic model selection and multi-model averaging. We sampled 657 fishers from 31 landscapes, genotyped them at 16 microsatellite loci, and modelled the effects of snow depth, road density, river density, and coniferous forest on gene flow. Our final model suggested that road density, river density, and snow depth impeded gene flow during the fisher population expansion demonstrating that both human impacts and seasonal habitat variation affect gene flow for fishers. Our approach to building landscape genetic resistance surfaces mitigates many of the problems and caveats associated with using either nongenetic field data or expert opinion to derive resistance surfaces.
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 | 0,000 | 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 ».