Road mitigation is a demographic filter for grizzly bears
Notice bibliographique
Résumé
ABSTRACT Crossing structures (i.e., underpasses and overpasses) are becoming a widespread approach to promote movement of wildlife across roads. Studies have shown that species select for different crossing structure designs, yet little is known about intraspecific variation (i.e., differences among demographic classes) in crossing structure preference. Using data on grizzly bear ( Ursus arctos ) movement in Banff National Park (AB, Canada), we focused on selection by family groups (adult females travelling with young) and singleton (adult male or female) bears for 5 crossing structure designs distributed among 44 sites. Using data from the world's longest running monitoring program (1997–2014) on wildlife crossing structure use, we created an economic model to estimate demographic‐specific cost‐effectiveness for each crossing structure design. We found that all grizzly bears selected larger and more open structures (overpasses and open‐span bridges). Use of these structures has generally increased with time at a rate that exceeds estimates of population growth. Family groups were more selective than singletons and strongly selected overpasses. In spite of singletons’ selection for overpasses and open‐span bridges, box culverts were comparable in cost‐effectiveness. Our results suggest that structure designs targeting the selection of grizzly bear family groups are effective at restoring population connectivity, but a systematic approach to designing highway mitigation also would consider the role of lesser used structures in reducing intraspecific predation and multispecies connectivity targets. © 2017 The Wildlife Society.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».