Corridor‐based approach with spatial cross‐validation reveals scale‐dependent effects of geographic distance, human footprint and canopy cover on grizzly bear genetic connectivity
Notice bibliographique
Résumé
Abstract Understanding how human infrastructure and other landscape attributes affect genetic differentiation in animals is an important step for identifying and maintaining dispersal corridors for these species. We built upon recent advances in the field of landscape genetics by using an individual‐based and multiscale approach to predict landscape‐level genetic connectivity for grizzly bears (Ursus arctos) across ~100,000 km2 in Canada's southern Rocky Mountains. We used a genetic dataset with 1156 unique individuals genotyped at nine microsatellite loci to identify landscape characteristics that influence grizzly bear gene flow at multiple spatial scales and map predicted genetic connectivity through a matrix of rugged terrain, large protected areas, highways and a growing human footprint. Our corridor‐based modelling approach used a machine learning algorithm that objectively parameterized landscape resistance, incorporated spatial cross validation and variable selection and explicitly accounted for isolation by distance. This approach avoided overfitting, discarded variables that did not improve model performance across withheld test datasets and spatial predictive capacity compared to random cross‐validation. We found that across all spatial scales, geographic distance explained more variation in genetic differentiation in grizzly bears than landscape variables. Human footprint inhibited connectivity across all spatial scales, while open canopies inhibited connectivity at the broadest spatial scale. Our results highlight the negative effect of human footprint on genetic connectivity, provide strong evidence for using spatial cross‐validation in landscape genetics analyses and show that multiscale analyses provide additional information on how landscape variables affect genetic differentiation.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».