Demographic effects of road mortality on mammalian populations: a systematic review
Notice bibliographique
Résumé
In light of rapidly expanding road networks worldwide, there is increasing global awareness of the growing amount of mammalian roadkill. However, the ways in which road mortality affects the population dynamics of different species remains largely unclear. We aimed to categorise the demographic parameters in mammalian populations around the world that are directly or indirectly affected by road mortality, as well as identify the most effective study designs for quantifying population-level consequences of road mortality. We conducted a comprehensive systematic review to synthesise literature published between 2000 and 2021 and out of 11,238 unique studies returned, 83 studies were retained comprising 69 mammalian species and 150 populations. A bias towards research-intensive countries and larger mammals was apparent. Although searches were conducted in five languages, all studies meeting the inclusion criteria were in English. Relatively few studies (13.3%) provided relevant demographic context to roadkill figures, hampering understanding of the impacts on population persistence. We categorised five direct demographic parameters affected by road mortality: sex- and age-biased mortality, the percentage of a population killed on roads per year (values up to 50% were reported), the contribution of roadkill to total mortality rates (up to 80%), and roadkill during inter-patch or long-distance movements. Female-biased mortality may be more prevalent than previously recognised and is likely to be critical to population dynamics. Roadkill was the greatest source of mortality for 28% of studied populations and both additive and compensatory mechanisms to roadkill were found to occur, bringing varied challenges to conservation around roads. In addition, intra-specific population differences in demographic effects of road mortality were common. This highlights that the relative importance of road mortality is likely to be context specific as the road configuration and habitat quality surrounding a population can vary. Road ecology studies that collect data on key life parameters, such as age/stage/sex-specific survival and dispersal success, and that use a combination of methods are critical in understanding long-term impacts. Quantifying the demographic impacts of road mortality is an important yet complex consideration for proactive road management.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,010 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».