Cumulative effects of human footprint, natural features and predation risk best predict seasonal resource selection by white-tailed deer
Notice bibliographique
Résumé
Land modified for human use alters matrix shape and composition and is a leading contributor to global biodiversity loss. It can also play a key role in facilitating range expansion and ecosystem invasion by anthrophilic species, as it can alter food abundance and distribution while also influencing predation risk; the relative roles of these processes are key to habitat selection theory. We researched these relative influences by examining human footprint, natural habitat, and predator occurrence on seasonal habitat selection by range-expanding boreal white-tailed deer (Odocoileus virginianus) in the oil sands of western Canada. We hypothesized that polygonal industrial features (e.g. cutblocks, well sites) drive deer distributions as sources of early seral forage, while linear features (e.g. roads, trails, and seismic lines) and habitat associated with predators are avoided by deer. We developed seasonal 2nd -order resource selection models from three years of deer GPS-telemetry data, a camera-trap-based model of predator occurrence, and landscape spatial data to weigh evidence for six competing hypotheses. Deer habitat selection was best explained by the combination of polygonal and linear features, intact deciduous forest, and wolf (Canis lupus) occurrence. Deer strongly selected for linear features such as roads and trails, despite a potential increased risk of wolf encounters. Linear features may attract deer by providing high density forage opportunity in heavily exploited landscapes, facilitating expansion into the boreal north.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».