Understanding mammal avoidance of human settlements
Notice bibliographique
Résumé
Anthropogenic land conversion is putting increasing pressure on wildlife populations around the world. To mitigate impacts, it is necessary to develop a detailed mechanistic understanding of how animals are affected by different types of human activity. A key challenge is to disentangle the effects of static infrastructure, like roads or buildings, and the presence of humans in the landscape. To address this question, we examined if terrestrial mammals altered their movement behaviour around buildings in response to reduced human mobility during COVID-19 lockdowns. We compiled GPS tracking data from 35 study sites across five continents, for 10 carnivore species and 13 herbivore species, totalling >1 million location records from 586 individuals. For each study, we used integrated step selection analysis to test the extent to which animals changed their avoidance of buildings as lockdown took effect, leveraging the recently released Microsoft MLBuildings dataset of global building locations. Analysis of population-level effects revealed that, in areas with high Human Footprint Index (HFI), animals tended to show a significant reduction in their avoidance of buildings during lockdown, but not in low HFI areas. No such trend was detected during equivalent periods in years other than 2020, indicating that behavioural changes were a result of reduced human mobility during lockdowns. Overall, our findings suggest that animals living alongside humans exhibit greater plasticity when people change their behaviour, likely indicating the combined effects of environmental filtering and habituation. More generally, our study provides a critical first step towards developing evidence-based tools for forecasting how wildlife movement behaviour may change in response to different land-use strategies, human activities, conservation interventions or environmental perturbations.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| 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 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 ».