Quantitative Spatial Ecology to Promote Human-Wildlife Coexistence: A Tool for Integrated Landscape Management
Notice bibliographique
Résumé
Understanding, predicting and controlling animal movement is a fundamental problem of conservation and management ecology. The need to mitigate human-wildlife conflicts, such as crop raiding by large herbivores, is becoming increasingly urgent. Because of the substantial costs or the possibility of unsuitable outcomes on wildlife, managers are often encouraged to deploy interventions that can achieve their objective while minimizing the impact on animal populations. We propose an adaptive management framework that can identify cost-effective solutions to reduce human-wildlife conflicts, while also minimizing constraints on animal movement and distribution. We focus on conflicts involving animals for which conflict zones occupy only a portion of their home-range. The adaptive management approach includes four basic steps: define and spatialize conflict areas, predict animal distribution from functional connectivity and patch residency time, predict the impact of management actions on animal distribution, and test predictions and revise predictive models. Key to the process is development of a mathematical model that can predict how habitat-animal interactions shape animal movement dynamics within patch networks. In our model, networks consist of a set of high-quality patches connected by links (i.e., potential inter-patch movements). Inter-patch movement rules and determinants of patch residency time need to be determined empirically. These data then provide information to parameterize a reaction-advection-diffusion model that can predict animal distribution dynamics given habitat features and movement taxis towards (or against) conflict areas depending on management actions. Illustrative simulations demonstrate how quantitative predictions can be used to make spatial adjustments in management interventions (e.g., length of diversionary fences) with respect of conflict areas. Simulations also show that the impact of multiple interventions cannot be considered as simply having additive effect, and their relative impact on animal equilibrium distribution depends on how they are added and deployed across the network. Following the principles of adaptive, integrated landscape management, the predictive model should be revised as monitoring provides new information about the response of animals to the set of interventions. We contend that the proposed quantitative approach provides a robust framework to find cost-effective strategy toward sustainable human-wildlife conflicts.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».