Simultaneous monitoring of vegetation dynamics and wildlife activity with camera traps to assess habitat change
Notice bibliographique
Résumé
Abstract Vegetation phenology and productivity drive resource use by wildlife. Vegetation dynamics also reveal patterns of habitat disturbance and recovery. Monitoring these fine‐scale vegetation patterns over large spatiotemporal extents can be difficult, but camera traps (CTs) commonly used to survey wildlife populations also collect data on local habitat conditions. We used CTs (n = 73) from 2016 to 2019 to assess impacts of habitat change in a boreal landscape of northern Canada, where seismic lines for petroleum exploration disturbed wildlife habitat and prompted vegetation restoration efforts. First, we quantified vegetation dynamics from CTs, comparing them to satellite‐based estimates that are typically used to monitor vegetation at broad spatial scales. We then used understory phenology and productivity estimated from CT time‐lapse images to assess vegetation recovery on seismic lines. Finally, we related vegetation dynamics with the habitat use of three wildlife species: sandhill cranes Grus canadensis , woodland caribou Rangifer tarandus , and white‐tailed deer Odocoileus virginianus . CTs provided unique insight into vegetation dynamics that were different from signals measured by satellites, with temporally inconsistent and even some negative correlations between CT and satellite metrics. We found some indication of vegetation recovery on seismic lines that had received restoration treatment, with understory patterns more similar to undisturbed habitat than to seismic lines that did not receive restoration treatment. CTs also provided inferences about wildlife activity related to vegetation resources, which approaches using satellite data failed to detect. Wildlife habitat use tracked vegetation phenology, but did not always increase with vegetation productivity at weekly, 16‐day, or annual intervals. Instead, associations with vegetation productivity depended on species, temporal scale, and productivity metrics. Given the widespread and growing use of CTs to monitor terrestrial wildlife, we recommend their use to simultaneously monitor habitat conditions to better understand the mechanisms that govern wildlife habitat use in changing environments.
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 ».