How Effective Is Road Mitigation at Reducing Road-Kill? A Meta-Analysis
Notice bibliographique
Résumé
Road traffic kills hundreds of millions of animals every year, posing a critical threat to the populations of many species. To address this problem there are more than forty types of road mitigation measures available that aim to reduce wildlife mortality on roads (road-kill). For road planners, deciding on what mitigation method to use has been problematic because there is little good information about the relative effectiveness of these measures in reducing road-kill, and the costs of these measures vary greatly. We conducted a meta-analysis using data from 50 studies that quantified the relationship between road-kill and a mitigation measure designed to reduce road-kill. Overall, mitigation measures reduce road-kill by 40% compared to controls. Fences, with or without crossing structures, reduce road-kill by 54%. We found no detectable effect on road-kill of crossing structures without fencing. We found that comparatively expensive mitigation measures reduce large mammal road-kill much more than inexpensive measures. For example, the combination of fencing and crossing structures led to an 83% reduction in road-kill of large mammals, compared to a 57% reduction for animal detection systems, and only a 1% for wildlife reflectors. We suggest that inexpensive measures such as reflectors should not be used until and unless their effectiveness is tested using a high-quality experimental approach. Our meta-analysis also highlights the fact that there are insufficient data to answer many of the most pressing questions that road planners ask about the effectiveness of road mitigation measures, such as whether other less common mitigation measures (e.g., measures to reduce traffic volume and/or speed) reduce road mortality, or to what extent the attributes of crossing structures and fences influence their effectiveness. To improve evaluations of mitigation effectiveness, studies should incorporate data collection before the mitigation is applied, and we recommend a minimum study duration of four years for Before-After, and a minimum of either four years or four sites for Before-After-Control-Impact designs.
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 | 0,020 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,013 | 0,060 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».