Measuring ecological connectivity with ecological distance and dynamic resistant kernels
Notice bibliographique
Résumé
Abstract Context Species-agnostic connectivity models are often used to inform management over broad spatial scales. The four main approaches to species-agnostic models parameterize resistance to movement based on naturalness, structural features, climate, or geodiversity variables. Though all four of these factors simultaneously affect species movement and flow of ecological processes, they are rarely combined. Objectives We built upon an approach that uses all four of these factors to model current and future ecological connectivity for the Crown of the Continent Ecoregion, in Canada and the USA. Methods We estimated resistance for each pixel on the landscape based on multivariate ecological distances to surrounding pixels. We then modeled connectivity with resistant kernels at different scales, and dynamically in response to future climates from 2020 to 2080. Results Across the study area, we found median connectivity values decreased by 17–50% from 2020 to 2080 depending on the scale, with broader scales experiencing greater losses in connectivity. Though often considered natural conduits for movement, stream and valley bottoms generally lost connectivity through time. Wilderness areas had significantly higher connectivity values than unprotected lands for all time steps and scales, indicating their importance for maintaining future connectivity of ecological processes. Conclusions We offer an updated approach for species-agnostic connectivity modeling that combines naturalness, structural features, and topo-climatic layers while considering multiple scales of ecological processes over a large spatial extent and dynamism through time. This approach can be applied to other landscapes to produce products for short- and long-term management of connectivity and ecological resilience.
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) | 0,002 | 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 ».