Faster and farther: wolf movement on linear features and implications for hunting behaviour
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
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.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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