Predicting Seabird Foraging Habitat for Conservation Planning in Atlantic Canada: Integrating Telemetry and Survey Data Across Thousands of Colonies
Notice bibliographique
Résumé
Conservation of mobile organisms is difficult in the absence of detailed information about movement and habitat use. While the miniaturization of tracking devices has eased the collection of such information, it remains logistically and financially difficult to track a wide range of species across a large geographic scale. Predictive distribution models can be used to fill this gap by integrating both telemetry and census data to construct distribution maps and inform conservation goals and planning. We used tracking data from 520 individuals of 14 seabird species in Atlantic Canada to first compare foraging range and distance to shorelines among species across colonies, and then developed tree-based machine-learning models to predict foraging distributions for more than 5000 breeding sites distributed along more than 5000 km of shoreline. Despite large variability in foraging ranges among species, tracking data revealed clusters of species using similar foraging habitats (e.g., nearshore vs. offshore foragers), and within species, foraging range was highly colony-specific. Even with this variability, distance from the nesting colony was an important predictor of distribution for nearly all species, while distance from coastlines and bathymetry (slope and ruggedness) were additional important predictors for some species. Overall, we demonstrated the utility of tree-based machine-learning approach when modeling tracking data to predict distributions at un-sampled colonies. Although tracking and colony data have some shortcomings (e.g., fewer data for some species), where results need to be interpreted with care in some cases, applying methods for modeling breeding season distributions of seabirds allows for broader-scale conservation assessment. The modeled distributions can be used in decisions about planning for offshore recreation and commercial activities and to inform conservation planning at regional scales.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».