Grizzly bear (<i>Ursus arctos</i>) movements and habitat use predict human-caused mortality across temporal scales
Notice bibliographique
Résumé
While the location of wildlife mortalities provides some insight on the cause of death, identifying the risk factors associated with mortality events and in which cases these factors result in death requires information on individual behaviour prior to death. With access to a long-term database of grizzly bear ( Ursus arctos L., 1758) GPS locations, we investigated how behaviour differed between individuals that died of anthropogenic causes and those that survived across different temporal scales. We analyzed movement (diurnality and daily displacement) and habitat use (modelled risk and habitat quality) of grizzly bears residing in Alberta, Canada, from 2005 to 2021 to determine whether grizzly bears that died and grizzly bears that survived differed in these behaviours 2–4 years, 1 year, and 1 week prior to death, and whether patterns changed over time. We found that diurnality increased in the last year of life, while displacement increased in the last week of life, with differences becoming greater nearer the day of death. Grizzly bears that died used high-risk and low-quality habitat at all time scales, and these behaviours increased as death approached. Our analysis suggests that grizzly bear mortalities do not occur randomly but happen at times when individuals exhibit high-risk behaviours. This information can be used to make management decisions related to habitat management, road use, and human access.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».