Combining network theory and reaction–advection–diffusion modelling for predicting animal distribution in dynamic environments
Notice bibliographique
Résumé
Abstract Movement is a key process driving animal distributions within heterogeneous landscapes. Graph (network) theory is increasingly used to understand and predict landscape functional connectivity, as network properties can provide crucial information regarding the resilience of a system to landscape disturbances, e.g. removal of habitat patches. The temporal dimension of movement patterns, however, is not generally included in network analysis, which can lead to a discrepancy between observed space use and landscape connectivity. Reaction–advection–diffusion models, when coupled with network analysis, could provide a powerful mechanistic framework based upon spatio‐temporal dimensions of animal movement, but this approach remains poorly developed for ecological studies. We developed a mechanistic space use model that considers both residency time in resource patches and movement amongst those patches within a spatial network. The framework involves two main steps: first, the network topology that best reflects functional connectivity for the study system is identified; second, a spatio‐temporal flow dynamic is implemented within the network using reaction–advection–diffusion modelling. To illustrate the approach, we used observations of radiocollared plains bison Bison bison bison that were travelling in a meadow network within a forest matrix. In the model application, we found that the graph best reflecting the functional connectivity of bison was a complex graph of ultra‐small world scale‐free network type. The reaction–advection–diffusion model involved the effect of meadow area and inter‐meadow distance on bison travels. Simulations showed that a simple graph or distance‐based graphs provided less accurate predictions of bison distribution, while also predicting different management actions to effectively impact bison space use. Our study demonstrates how reaction–advection–diffusion modelling, coupled with network theory, can provide a robust mechanistic framework for predicting animal distribution in dynamic environments. The modelling approach can be applied to a large range of systems that are subjected to rapid environmental changes due to habitat management or natural resource extraction, for example. Furthermore, our study demonstrates that management and conservation planning can strongly depend upon network structure, and that a faulty assessment of network topology can result in poor planning, with potential unexpected impacts on animal distributions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 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 ».