Moose Movement Rates Along Highways and Crossing Probability Models
Notice bibliographique
Résumé
ABSTRACT We developed and validated a density‐adjusted spatial model to predict moose ( Alces alces ) highway‐crossing probability to see if the model could be used as an index of moose‐vehicle collision risk. We installed Global Positioning System telemetry collars on 47 moose in the north of the Laurentides Wildlife Reserve, Québec, for 2–36 months. We recorded only 84 highway crossings in spring (0.29% of 28,967 2‐hr steps) and 122 crossings in summer (0.18% of 68,337 2‐hr steps), despite a high sampling effort and having captured moose close to highways. Moose movement rates during movement steps crossing a highway were on average 3 times higher than during the steps preceding or following highway crossing. Paths used by moose when crossing a highway were characterized by a high proportion of food stands, low proportion of lakes and rivers, and topography typical of a valley. Highway‐crossing sites were located in valleys with brackish pools and forest stands providing coniferous cover but a low proportion of lakes and rivers. We adjusted moose crossing probability for local variation in moose density using aerial survey data and assessed crossing probability along the highways in the entire Laurentides Wildlife Reserve. We tested the model using moose‐vehicle accident data from 1990 to 2002. The relationship between the density‐adjusted crossing probability and number of accidents was relatively loose at the 1‐km scale but improved markedly when using longer highway sections (5–15 km; r > 0.80). Our results demonstrate that roads and their surroundings are perceived as low‐quality habitat by moose. We also conclude that road segments installed along secondary valleys could be a highly strategic site to deploy mitigation measures such as fences and that it could be desirable to increase the width of road shoulders to reduce forest cover and to eliminate brackish pools to reduce cervid‐vehicle collisions. We suggest using empirical data such as location of vehicle‐wildlife collisions to plan mitigation measures at a fine scale.
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 | 0,001 |
| 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 ».