Abundance patterns of mammals across Russia explained by remotely sensed vegetation productivity and snow indices
Notice bibliographique
Résumé
Abstract Aim Predicting biodiversity responses to global changes requires good models of species' distributions. Both environmental conditions and human activities determine population density patterns. However, quantifying the relationship between wildlife population densities and their underlying environmental conditions across large geographical scales has remained challenging. Our goal was to explain the abundances of mammal species based on their response to several remotely sensed indices including the Dynamic Habitat Indices (DHIs) and the novel Winter Habitat Indices (WHIs). Location Russia, the majority of regions. Taxon Eight mammal species. Methods We estimated average population densities for each species across Russia from 1981 to 2010 from winter track counts. The DHIs measure vegetative productivity, a proxy for food availability. Our WHIs included the duration of snow‐free ground, duration of snow‐covered ground and the start, end and length of frozen season. In models, we included elevation, climate conditions, human footprint index. We parameterized multiple linear regression and applied best‐subset model selection to determine the main factors influencing population density. Results The DHIs were included in some of the top‐twelve models of every species, and in the top model for moose, wild boar, red fox and wolf, so they were important for species at all trophic levels. The WHIs were included in top models for all species except roe deer, demonstrating the importance of winter conditions. The duration of frozen ground without snow and the end of frozen season were particularly important. Our top models performed well for all the species ( R 2 adj 0.43–0.87). Main Conclusions The combination of the DHIs and the WHIs with climate and human‐related variables resulted in high explanatory power. We show that vegetation productivity and winter conditions are key drivers of variation in population density of eight species across Russia.
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 | 0,000 | 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) | 0,000 | 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 ».