An adaptive plan for prioritizing road sections for fencing to reduce animal mortality
Notice bibliographique
Résumé
Mortality of animals on roads is a critical threat to many wildlife populations and is poised to increase strongly because of ongoing and planned road construction. If these new roads cannot be avoided, effective mitigation measures will be necessary to stop biodiversity decline. Fencing along roads effectively reduces roadkill and is often used in combination with wildlife passages. Because fencing the entire road is not always possible due to financial constraints, high-frequency roadkill areas are often identified to inform the placement of fencing. We devised an adaptive fence-implementation plan to prioritize road sections for fencing. In this framework, areas along roads of high, moderate, and low levels of animal mortality (respectively, roadkill hotspots, warmspots, and coldspots) are identified at multiple scales (i.e., in circles of different diameters [200-2000 m] in which mortality frequency is measured). Fence deployment is based on the relationship between the amount of fencing being added to the road, starting with the strongest roadkill hotspots, and potential reduction in road mortality (displayed in mortality-reduction graphs). We applied our approach to empirical and simulated spatial patterns of wildlife-vehicle collisions. The scale used for analysis affected the number and spatial extent of roadkill hot-, warm-, and coldspots. At fine scales (e.g., 200 m), more hotspots were identified than at coarse scales (e.g., 2000 m), but combined the fine-scale hotspots covered less road and less fencing was needed to reduce road mortality. However, many short fences may be less effective in practice due to a fence-end effect (i.e., animals moving around the fence more easily), resulting in a trade-off between few long and many short fences, which we call the FLOMS (few-long-or-many-short) fences trade-off. Thresholds in the mortality-reduction graphs occurred for some roadkill patterns, but not for others. Thresholds may be useful to consider when determining road-mitigation targets. The existence of thresholds at multiple scales and the FLOMS trade-off have important implications for biodiversity 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 | 0,000 | 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 | 0,000 | 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) | 0,000 | 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 ».