Importance of connectivity for carnivore richness and occupancy in fragmented biodiversity hotspots
Notice bibliographique
Résumé
Structural connectivity affects wildlife movement between habitat patches, contributing to the persistence of wildlife populations and their resilience to human-induced and environmental changes. However, its importance to wildlife population persistence remains unclear, particularly in fragmented landscapes, where there are additional co-occurring threats and varying protected area coverage (PAC). Using South American carnivore assemblages and fragmented tropical forests as a case study, we assessed the relative effect of structural connectivity on carnivore persistence in fragmented landscapes after accounting for PAC, and the efficacy of single-species connectivity approaches for protecting the habitat of multiple species. We applied a multiscale Bayesian modeling framework to camera-trapping data from 567 cameras in 23 landscapes in the Tumbesian region of Ecuador and Peru. We tested the landscape-scale effects of habitat amount, connectivity, human density, and protected area status on carnivore richness and mean occupancy and the fine-scale effects of forest cover, distance to roads, and hunting on carnivore site occupancy. In 41,861 camera days of sampling, we obtained 5267 independent detections of 12 carnivores across all landscapes. Connectivity, habitat amount, and PAC had a positive effect on carnivore richness, emphasizing that large and well-connected landscapes of natural habitat with greater PAC sustain more species-rich carnivore communities. Mean site occupancy across the carnivore community was positively associated with forest cover at the fine scale and connectivity at the landscape scale. This last relationship varied by species, with occupancy of forest-dependent mesocarnivores being most positively associated with higher connectivity. Our results highlight that increasing connectivity can improve the persistence of vulnerable carnivore populations, even in landscapes with varied amount of PAC. Furthermore, conservation planning to increase connectivity should take a multispecies approach because single-species approaches are unlikely to meet the needs of diverse communities.
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 ».