Snow‐tracking and GIS: using multiple species‐environment models to determine optimal wildlife crossing sites and evaluate highway mitigation plans on the Trans‐Canada Highway
Notice bibliographique
Résumé
Snow‐tracking data were collected for cougars ( Felis concolor), lynx ( Lynx canadensis), martens (Martes americana) and wolves (Canis lupus) and combined with remotely sensed imagery in a geographic information system (GIS) to identify wildlife crossing sites on the Trans‐Canada Highway in Banff National Park, Alberta. We used logistic regression to assess the dependent (species presence/absence) relative to measures of topography and vegetation. The exponent form of each logistic regression equation was used to predict crossing sites in a GIS, which were then contrasted with mitigation sites proposed by Parks Canada. We found that: (1) cougars were influenced positively by normalized difference vegetation index (NDVI); negatively by northness and distance to ruggedness, (2) lynx were influenced positively by wetness, greenness, rugged terrain, eastness and distance to rugged terrain; negatively by slope, (3) martens were related positively to wetness, elevation, eastness, and distance to rugged terrain; negatively to northness, (4) wolves were influenced positively by distance to ruggedness; negatively by brightness, elevation, eastness and terrain ruggedness. There were few sympatric crossing sites for all species, supporting the use of species‐specific mitigation or wide structures that capture multiple species needs. Inconsistencies were observed between the crossing sites predicted in this study and the Parks Canada proposal. The usefulness of GIS and track data to enhance mitigation projects is illustrated.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| 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 ».