Comparison and parallel implementation of alternative moving-window metrics of the connectivity of protected areas across large landscapes
Notice bibliographique
Résumé
Abstract Context A variety of metrics can be used to measure connectivity of protected areas. Assumptions about animal movement and mortality vary among metrics. There is a need to better understand what to use and why, and how much conclusions depend on the choice of metric. Objectives We compare selected raster-based moving-window metrics for assessing the connectivity of protected areas to natural habitat in the surrounding area, and develop tools to facilitate calculation of these metrics for large landscapes. Methods We developed parallel implementations of distance-weighted sum and Spatial Absorbing Markov Chain methods in R packages to improve their useability for large landscapes. We investigated correlations among metrics for Canadian protected areas, varying background mortality, cost of movement, mean displacement, dispersal kernel shape, distance measure used, and the treatment of natural barriers such as water, ice, and steep slopes. Results At smaller spatial scales (2–5 km mean displacement), correlations among metric variants are high, suggesting that any of the metrics we investigated will give similar results and simple metrics will suffice. Differences among metrics are most evident at larger spatial scales (20–40 km mean displacement) in moderately disturbed regions. Assumptions about the impact of natural barriers have a large impact on outcomes. Conclusion In some circumstances different metrics give similar results, and simple distance-weighted metrics likely suffice. At large spatial scales in moderately disturbed regions there is less agreement among metrics, implying that more detailed information about disperser distribution, behaviour, and mortality risk is required for assessing connectivity.
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 | 0,000 | 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 ».