Human and animal movements combine with snow to increase moose-vehicle collisions in winter
Notice bibliographique
Résumé
Abstract Wildlife-vehicle collisions imperil humans, wildlife, and property. Collisions with moose (Alces alces ) are especially consequential and there are indications they may increase during severe winters. We tested hypotheses regarding the influence of moose movements and vehicular traffic patterns on collision risk. We first modeled daily snow depth and accumulation across 5.6 million km 2 of the North American Arctic-Boreal region. Next, we analyzed the movements and road use of 113 GPS-collared moose in response to snow depth. Finally, we examined the influence of these snow properties on vehicular traffic and 7680 moose-vehicle collisions. As winter progressed and the snowpack deepened in each study area, GPS-collared moose migrated to lower elevations, leading them into areas with shallower snow but higher road densities. This elevational migration corresponded with a higher probability of road-use by moose (by up to ten-fold) in winter than in summer. Corresponding to these patterns, moose-vehicle collisions were 2.4–5.7 times more frequent from December through February (compared to early summer). Collision risk was highest when and where snow depth was less than 120 cm, indicating that migration into areas with shallower snow increased collision risk in those areas. Most (82%) moose-vehicle collisions occurred after dark. This pattern was strongest during winter, when nighttime traffic volumes were eight times higher than summer due to longer nights. Overall, our findings suggest that concurrent seasonal changes in human and wildlife behavior increase the frequency of moose-vehicle collisions during winter. Snow depth influences collisions primarily through its impacts on moose movement, while strong seasonal changes in daylight hours cause an increase in nighttime traffic that further contributes to risk. This information may help predict times and places where risk of moose-vehicle collisions are highest and to develop seasonally dynamic mitigation strategies.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».