Developing a correction factor to apply to animal–vehicle collision data for improved road mitigation measures
Notice bibliographique
Résumé
Abstract Context Road mitigation to reduce animal–vehicle collisions (AVCs) is usually based on analysis of road survey animal carcass data. This is used to identify road sections with high AVC clusters. Large mammals that are struck and die away from a road are not recorded nor considered in these analyses, reducing our understanding of the number of AVCs and the cost–benefit of road mitigation measures. Aims Our aim was to develop a method to calculate a correction factor for large mammal carcass data reported through road survey. This will improve our understanding of the magnitude and cost of AVCs. Method Citizen scientists reported animal carcasses on walking surveys along transects parallel to the highway and reported observations using a smartphone application at three sites over a 5-year period. These data were compared with traditional road survey data. Key result We found that many large mammals involved in AVCs die away from the road and are, therefore, not reported in traditional road surveys. A correction factor of 2.8 for our region can be applied to road survey data to account for injury bias error in road survey carcass data. Conclusions For large mammals, AVCs based on road survey carcass data are underestimates. To improve information about AVCs where little is known, we recommend conducting similar research to identify a correction factor to conventionally collected road survey carcass data. Implications Identifying road mitigation sites by transportation agencies tends to focus on road sections with above-threshold AVC numbers and where cost–benefit analyses deem mitigation necessary. A correction factor improves AVC estimate accuracy, improving the identification of sites appropriate for mitigation, and, ultimately, benefitting people and wildlife by reducing risks of AVCs.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».