Beyond the snapshot: Landscape genetic analysis of time series data reveal responses of American black bears to landscape change
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Landscape genetic studies typically focus on the evolutionary processes that give rise to spatial patterns that are quantified at a single point in time. Although landscape change is widely recognized as a strong driver of microevolutionary processes, few landscape genetic studies have directly evaluated the change in spatial genetic structure ( SGS ) over time with concurrent changes in landscape pattern. We introduce a novel approach to analyze landscape genetic data through time. We demonstrate this approach using genotyped samples ( n = 569) from a large black bear ( Ursus americanus ) population in Michigan ( USA ) that were harvested during 3 years (2002, 2006, and 2010). We identified areas that were consistently occupied over this 9‐year period and quantified temporal variation in SGS . Then, we evaluated alternative hypotheses about effects of changes in landscape features (e.g., deforestation or crop conversion) on fine‐scale SGS among years using spatial autoregressive modeling and model selection. Relative measures of landscape change such as magnitude of landscape change (i.e., number of patches changing from suitable to unsuitable states or vice versa), and during later periods, measures of fragmentation (i.e., patch aggregation and cohesion) were associated with change in SGS . Our results stress the importance of conducting time series studies for the conservation and management of wildlife inhabiting rapidly changing landscapes.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 découle