Grain spilled from moving trains create a substantial wildlife attractant in protected areas
Notice bibliographique
Résumé
Abstract Transportation corridors can attract threatened wildlife via habitat enhancement and foraging opportunities, leading to collisions with vehicles. But wildlife may also be attracted to energy‐dense food products that are spilled or discarded from moving vehicles, which is rarely studied. Therefore, we quantified train‐spilled attractants in Banff and Yoho National Parks, Canada, where agricultural products (hereafter, grain) are transported along 134 km of railway and may contribute to wildlife mortality. We measured grain deposition from 2012 to 2015 at 19 sites and assessed the performance of three structures developed to measure spilled grain. We then modeled grain deposition with respect to four types of spatial and temporal variables: those related to grain shipment, physical habitat characteristic, train‐related characteristics and variables specific to the study site. Grain was spilled at a mean rate of 1.64 g m−2 day−1(sd = 3.60) from April to October (n = 3 years) and 1.52 (sd = 2.37) from November to March (n = 1 year). Extrapolating annual deposition across the study area yielded enough grain (110 tons) to provide 4.77 × 108 kcal of gross energy, which is equivalent to the average annual caloric needs of 42–54 grizzly bearsUrsus arctos horribilis; the regional population is estimated at 50–73 animals. Much of this energy will not be accessible or available to bears; however, their attraction to it could contribute to rising and unsustainable rates of mortality. Models explained 9–31% of the variance in deposition for each grain type, primarily via coarse temporal variables of shipping rates and month. The absence of more specific predictive variables suggests that mitigation should target broader policies, such as prompt reporting and repair of leaky hopper cars, and limits to train stoppage in protected areas. We encourage more global assessment of the under‐studied issue of food attractants spilled by vehicles along transportation corridors.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».