Collaboration for conservation: Assessing countrywide carnivore occupancy dynamics from sparse data
Notice bibliographique
Résumé
Abstract Aim Assessing the distribution and persistence of species across their range is a crucial component of wildlife conservation. It demands data at adequate spatial scales and over extended periods of time, which may only be obtained through collaborative efforts, and the development of methods that integrate heterogeneous datasets. We aimed to combine existing data on large carnivores to evaluate population dynamics and improve knowledge on their distribution nationwide. Location Botswana. Methods Between 2010 and 2016, we collated data on African wild dog, cheetah, leopard, brown and spotted hyaena and lion gathered with different survey methods by independent researchers across Botswana. We used a multi‐species, multi‐method dynamic occupancy model to analyse factors influencing occupancy, persistence and colonization, while accounting for imperfect detection. Lastly, we used the gained knowledge to predict the probability of occurrence of each species countrywide. Results Wildlife areas and communal rangelands had similar occupancy probabilities for most species. Large carnivore occupancy was low in commercial farming areas and where livestock density was high, except for brown hyaena. Lion occupancy was negatively associated with human density; lion and spotted hyaena occupancy was high where rainfall was high, while the opposite applied to brown hyaena. Lion and leopard occupancy remained constant countrywide over the study period. African wild dog and cheetah occupancy declined over time in the south and north, respectively, whereas both hyaena species expanded their ranges. Countrywide predictions identified the highest occupancy for leopards and lowest for the two hyaena species. Main Conclusions We highlight the necessity of data sharing and propose a generalizable analytical method that addresses the challenges of heterogeneous data common in ecology. Our approach, which enables a comprehensive multi‐species assessment at large spatial and temporal scales, supports the development of data‐driven conservation guidelines and the implementation of evidence‐based management strategies nationally and internationally.
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 | 0,002 | 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 | 0,000 |
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 ».