ESTIMATING GRIZZLY BEAR DISTRIBUTION AND ABUNDANCE RELATIVE TO HABITAT AND HUMAN INFLUENCE
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
Understanding factors that influence and predict grizzly bear (Ursus arctos) distribution and abundance is fundamental to their conservation. In southeast British Columbia, Canada, we applied DNA hair-trap sampling (1) to evaluate relationships of grizzly bear detections with landscape variables of habitat and human activity, and (2) to model the spatial distribution and abundance of grizzly bears. During 1996–1998, we sampled grizzly bear occurrence across 5,496 km2 at sites distributed according to grid cells. We compared 244 combinations of sampling sites and sessions where grizzly bears were detected (determined by nDNA analyses) to 845 site–sessions where they were not. We tested for differences in 30 terrain, vegetation, land cover, and human influence variables at 3 spatial scales. Grizzly bears more often were detected in landscapes of relatively high elevation, steep slope, rugged terrain, and low human access and linear disturbance densities. These landscapes also were comprised of more avalanche chutes, alpine tundra, barren surfaces, burned forests, and less young and logged forests. Relationships with forest productivity and some overstory species were positive at broader scales, while associations with forest overstory and productivity were negative at the finest scale. At the finest scale, the strong negative association with very young, logged forests and with increasing values of the Landsat-derived green vegetation index became positive when analyzed in a multivariate context. For multivariate analyses, we considered 2 variables together with 11 principal components that describe ecological gradients among 4 variable groupings. We applied multiple logistic regression and used AIC to rank and weight competing subset models. We derived coefficients for interpretation and prediction using multi-model inference. The resulting function was highly predictive, which we confirmed against an independent dataset. We transformed the output using a multi-annual population estimate for the sampling area, and we applied the resulting grizzly bear density and distribution model across our greater study area as a strategic-level planning tool. We discuss conservation applications and design considerations of this DNA-based approach for grizzly bears and other forest-dwelling species.
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