Predictive modelling of ecological patterns along linear‐feature networks
Notice bibliographique
Résumé
Summary Ecological patterns and processes often take place within linear‐feature networks, and this has implications when analysing the spatial configuration of such patterns or processes across a landscape. One such pattern is the use of landscapes by human recreationists: an important variable in animal habitat selection and behaviour. Due to the difficulty in obtaining data, ecologists tend to use coarse metrics such as linear‐feature density, while the extent and timing of human activity are often ignored. Remote detector equipment and its increasing use in ecological studies allow for large volumes of data on human activity to be collected. However, the analysis of these data still can be challenging. Using a combination of generalised linear mixed‐effects models and network‐based ordinary kriging, we developed a method for estimating spatial and temporal variations in motorised and non‐motorised activities across a complex linear‐feature network. Trail cameras were set up between 2012 and 2014 and monitored motorised and non‐motorised activities at 238 different trail sites across a 2824 km 2 region of the eastern slopes and foothills of central Alberta's Rocky Mountains. We evaluate the predictive capacity of this approach, demonstrate its application and discuss its merits and limitations. This method offers a straightforward analysis that can be applied to remotely acquired data to give a useful metric for assessing wildlife responses to human activity, and has potential application beyond the highlighted example.
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 | 0,000 |
| 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 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 ».