Lessons for Transboundary Snow Leopard Conservation: Findings From a GPS Telemetry Study in Kangchenjunga Conservation Area, Nepal
Notice bibliographique
Résumé
ABSTRACT Ensuring the long‐term persistence of snow leopards ( Panthera uncia ) in changing landscapes requires a deep understanding of their spatial ecology and movement behavior. To maintain viable metapopulations and ensure gene flow between populations, there is an urgent need to develop sound and effective conservation plans. This study presents findings from Nepal's first GPS telemetry study of snow leopards, shedding light on their home range size, habitat selection, and transboundary movements. GPS data were collected from four snow leopard individuals in the Kangchenjunga Conservation Area, eastern Nepal, over tracking periods ranging from 20 to 659 days, yielding a total of 4707 location points. We used three home range estimators for analysis: local convex hulls (LoCoH), fixed kernels (Kernel), and minimum convex polygons (MCP). Our results show that home range sizes were 6 to 97 times larger than previous estimates for Nepal, with LoCoH estimates of 310 and 102 km 2 (MCP = 730 and 211 km 2 ) for two adult females and 312 km 2 (MCP = 1032 km 2 ) for one adult male. Three snow leopards crossed international borders five to seven times, spending, on average, 10%–34% of their time in neighboring countries (China and India), with 28%–50% of their home ranges overlapping India. Our study demonstrates that snow leopards in Nepal have home ranges that are significantly larger than previously documented and frequently cross international borders. These extensive transboundary movements highlight the need for stronger coordination between Nepal, China, and India to ensure the long‐term conservation of snow leopards in this key region of their distributional range.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».