Linking forest management to moose population trends: The role of the nutritional landscape
Notice bibliographique
Résumé
Forested lands in the western USA have undergone changes in management and condition that are resulting in a shift towards climax vegetation. These changes can influence the quality and quantity of forage for herbivores that rely on early-seral plants. To evaluate how management of forested landscapes might affect nutrition for Shiras moose (A. a. shirasi) at large spatial scales, we focused on shrubs and evaluated summer diet composition, forage availability, and forage quality across 21 population management units encompassing >36,000 km2 in northern Idaho, USA. We identified 17 shrub species in the diets of moose, 11 of which comprised the bulk of the diets. These forage shrubs varied markedly in both energy (mean digestible energy for leaves ranged from 9.62 to 12.89 kJ/g) and protein (mean digestible protein for leaves ranged from 1.73 to 7.90%). By adapting established field sampling methods and integrating recent advances in remote sensing analyses in a modeling framework, we predicted approximations of current and past (i.e., 1984) quantities of forage shrubs across northern Idaho. We also created a qualitative index of population trend for moose across population management units using harvest data. Predicted quantities of forage shrubs varied widely across the study area with generally higher values at more northern latitudes. The quantity of forage shrubs was estimated to have declined over the past 30 years in about half of the population management units, with the greatest declines predicted for high-energy forage species. The population trend index was correlated with the percent change in availability of moderate-energy forage shrubs, indicating that availability of forage shrubs and change in availability over time might be affecting population dynamics for moose in northern Idaho. Our study highlights the importance of assessing how changes in forest management across broad spatiotemporal extents could affect wildlife and their habitats.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».