Assessing global patterns in mammalian carnivore occupancy and richness by integrating local camera trap surveys
Notice bibliographique
Résumé
Abstract Aim Biodiversity loss is a major driver of ecosystem change, yet the ecological data required to detect and mitigate losses are often lacking. Recently, camera trap surveys have been suggested as a method for sampling local wildlife communities, because these observations can be collated into a global monitoring network. To demonstrate the potential of camera traps for global monitoring, we assembled data from multiple local camera trap surveys to evaluate the interchange between fine‐ and broad‐scale processes impacting mammalian carnivore communities. Location Argentina, Belize, Botswana, Canada, Indonesia, Iran, Madagascar, Nepal, Norway, Senegal, South Africa, and the U.S.A. Methods We gathered camera trap data, totalling > 100,000 trap nights, from across five continents. To analyse local and species‐specific responses to anthropogenic and environmental variables, we fitted multispecies occurrence models to each study area. To analyse global‐level responses, we then fitted a multispecies, multi‐area occurrence model. Results We recorded 4,805 detections of 96 mammalian carnivore species photographed across 1,714 camera stations located in 12 countries. At the global level, our models revealed that carnivore richness and occupancy within study areas was positively associated with prey availability. Occupancy within study areas also tended to increase with greater protection and greater distances to roads. The strength of these relationships, however, differed among countries. Main conclusions We developed a research framework for leveraging global camera trap data to evaluate patterns of mammalian carnivore occurrence and richness across multiple spatial scales. Our research highlights the importance of intact prey populations and protected areas in conserving carnivore communities. Our research also highlights the potential of camera traps for monitoring wildlife communities and provides a case study for how this can be achieved on a global scale. We encourage greater integration and standardization among camera trap studies worldwide, which would help inform effective conservation planning for wildlife populations both locally and globally.
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 | 0,001 |
| 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 ».