Faster and farther: wolf movement on linear features and implications for hunting behaviour
Notice bibliographique
Résumé
Summary Predation by grey wolves Canis lupus has been identified as an important cause of boreal woodland caribou Rangifer tarandus caribou mortality, and it has been hypothesized that wolf use of human‐created linear features such as seismic lines, pipelines and roads increases movement, resulting in higher kill rates. We tested if wolves select linear features and whether movement rates increased while travelling on linear features in north‐eastern Alberta and north‐western Saskatchewan using 5‐min GPS (Global Positioning System) locations from twenty‐two wolves in six packs. Wolves selected all but two linear feature classes, with the magnitude of selection depending on feature class and season. Wolves travelled two to three times faster on linear features compared to the natural forest. Increased average daily travelling speed while on linear features and increased proportion of steps spent travelling on linear features increased net daily movement rates, suggesting that wolf use of linear features can increase their search rate. Synthesis and applications . Our findings that wolves move faster and farther on human‐created linear features can inform mitigation strategies intended to decrease predation on woodland caribou, a threatened species. Of the features that can realistically be restored, mitigation strategies such as silviculture and linear deactivation (i.e. tree‐felling and fencing) should prioritize conventional seismic lines (i.e. cleared lines used for traditional oil and gas exploration) and pipelines, as they were selected by wolves and increased travelling speed, before low‐impact seismic lines.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».