Animal learning may contribute to both problems and solutions for wildlife–train collisions
Notice bibliographique
Résumé
Transportation infrastructure can cause an ecological trap if it attracts wildlife for foraging and travel opportunities, while increasing the risk of mortality from collisions. This situation occurs for a vulnerable population of grizzly bears (Ursus arctos) in Banff National Park, Canada, where train strikes have become a leading cause of mortality. We explored this problem with analyses of rail-associated food attractants, habitat use of GPS-collared bears and patterns of past mortality. Bears appeared to be attracted to grain spilled from rail cars, enhanced growth of adjacent vegetation and train-killed ungulates with rail use that increased in spring and autumn, and in areas where trains slowed, topography was rugged, and human density was low. However, areas with higher grain deposits or greater use by bears did not predict sites of past mortality. The onset of reported train strikes occurred amid several other interacting changes in this landscape, including the cessation of lethal bear management, changes in the distribution and abundance of ungulates, increasing human use and new anthropogenic features. We posit that rapid learning by bears is critical to their persistence in this landscape and that this capacity might be enhanced to prevent train strikes in future with simple warning devices, such as the one we invented, that signal approaching trains. This article is part of the theme issue 'Linking behaviour to dynamics of populations and communities: application of novel approaches in behavioural ecology to conservation'.
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 ».