GIS‐Generated, Expert‐Based Models for Identifying Wildlife Habitat Linkages and Planning Mitigation Passages
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract: We developed three black bear ( Ursus americanus ) habitat models in the context of a geographic information system to identify linkage areas across a major transportation corridor. One model was based on empirical habitat data, and the other two (opinion‐ and literature‐based) were based on expert information developed in a multicriteria decision‐making process. We validated the performance of the models with an independent data set. Four classes of highway linkage zones were generated. Class 3 linkages were the most accurate for mapping cross‐highway movement. Our tests showed that the model based on expert literature most closely approximated the empirical model, both in the results of statistical tests and the description of the class 3 linkages. In addition, the expert literature–based model was consistently more similar to the empirical model than either of two seasonal, expert opinion–based models. Among the expert models, the literature‐based model had the strongest correlation with the empirical model. Expert‐opinion models were less in agreement with the empirical model. The poor performance of the expert‐opinion model may be explained by an overestimation of the importance of riparian habitat by experts compared with the literature. A small portion of the empirical data to test the models was from the pre‐berry season and may have affected how well the model predicted linkage areas. Our empirical and expert models represent useful tools for resource and transportation planners charged with determining the location of mitigation passages for wildlife when baseline information is lacking and when time constraints do not allow for data collection before construction.
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.
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 | 0,001 |
| 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 découle