Development and assessment of automated forest road projection methods using performance metrics relevant for wildlife
Notice bibliographique
Résumé
Abstract Context Resource road networks have complex and varied impacts on wildlife and other forest values, yet spatial stochastic models forecasting impacts of forest disturbance rarely include automated road network projections. Hardy et al. (Can J For Res 2023. 10.1139/cjfr-2022-0306) partially addressed this need with a LANDIS-II extension, but there remains a need for tools that can be integrated into other modelling frameworks while identifying a pragmatic balance between achieving ecological relevancy and computational cost. Objectives Our goal is an open source resource road network projection tool that can be easily incorporated into modelling frameworks that assess the implications of forest change for wildlife. We compared the performance of several resource road network projection methods using ecologically relevant metrics. Methods We implemented simple iterative least cost path and minimum spanning tree methods with grade penalties in the open source R roads package. We assessed performance by comparing projections to observed resource road development since 1990 in a mountainous region of British Columbia. Results All resource road projection methods that we tested performed relatively well. Grade penalties improved performance, as did our minimum spanning tree method. However, the minimum spanning tree method required more computing time and memory, so users must weigh the benefits of improved performance against computational costs. Conclusions Our resource road network simulation methods can improve projections of anticipated resource development impacts on wildlife across large areas. Our open source implementation in the R roads package will be useful for improving projections of the cumulative effects of natural and anthropogenic disturbances on wildlife in an era of rapid change.
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 ».