Recolonization pattern of wolves in Northern Apennines, Central Italy: a Bayesian analysis using opportunistic and systematic data
Notice bibliographique
Résumé
Wolves ( Canis lupus Linnaeus, 1758) have recolonized much of Europe and recently returned to the Apuan Alps (Central Italy), a partially isolated mountain chain unoccupied by wolves between 1850s and 2000s, after extirpation in early 1800s. Early stages of large carnivore recolonization often go undetected, particularly when standardized surveys are lacking. In the Apuan Alps, this left the spatiotemporal dynamics of wolf return unresolved. To reconstruct this process, we combined opportunistic playback-howling surveys (2007–2020) with camera-trap records (2011–2020), and fit a Bayesian occupancy model accounting for preferential sampling on camera-trap data. Playback surveys first confirmed reproduction in 2014; breeding units increased to four by 2018. Camera-trap occupancy rose 15-fold (2011–2018), despite early site‐selection bias. Systematic sampling (2019–2020) validated these trends, estimating occupancy at ∼0.60 and detection probabilities threefold higher than opportunistic surveys. Opportunistic data could not fully detail early recolonization and spatial mechanisms due to likely misdetection of initial reproduction. Nonetheless, combined evidence suggested a two-phase pattern consistent with other wolf recolonizations: an initial lag period followed by rapid expansion via short-distance diffusion and jump-dispersal. Although prone to biases, opportunistic records can yield insights into cryptic recolonizations, guide early management and conservation, and inform future monitoring of recolonizing large carnivores.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».