When road‐kill hotspots do not indicate the best sites for road‐kill mitigation
Notice bibliographique
Résumé
Summary The effectiveness of measures installed to mitigate wildlife road‐kill depends on their placement along the road. Road‐kill hotspots are frequently used to identify priority locations for mitigation measures. However, in situations where previous road mortality has reduced population size, road‐kill hotspots may not indicate the best sites for mitigation. The purpose of this study was to identify circumstances in which road‐kill hotspots are not appropriate indicators for the selection of the best road‐kill mitigation sites. We predicted that: (i) road‐kill hotspots can move in time from high‐traffic road segments to low‐traffic segments, due to population depression near the high‐traffic segment caused by road mortality; (ii) this shift will occur earlier for more mobile species because they should interact more often with the road; (iii) this shift can occur even if the low‐traffic segment runs through lower quality habitat than the high‐traffic segment. To test these predictions, we simulated population size and road‐kill over time for two populations, one exposed to a road segment with high traffic and the other to a road segment with low traffic. Our simulation results supported Predictions 1 and 3, while Prediction 2 was not supported. Synthesis and applications . Our results indicate that, for new roads, road‐kill hotspots can be useful to indicate appropriate sites for mitigation. On older roads, road‐kill hotspots may not indicate the best sites for road mitigation due to population depression caused by road mortality. Direct measures of the road impact on the population, such as per capita mortality, are better indicators of appropriate mitigation sites than road‐kill hotspots.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».