Finding the ghosts: Snow leopard density and distribution in the multi‐use region of Jammu and Kashmir, India
Notice bibliographique
Résumé
Abstract Large carnivores occur in human‐dominated landscapes globally, albeit with varying consequences for the animals and people involved. This lies in stark contrast to the belief that Protected Areas are the only means to conserve large carnivores, and in particular big cats. We aimed to assess snow leopard density and distribution in non‐protected landscapes within Jammu and Kashmir, India. Using detection/non‐detection records from 193 camera traps, we developed an ensemble species distribution model to identify important areas for snow leopard occurrence across J&K. To estimate population size in a non‐protected, multi‐use landscape, we applied spatially explicit capture–recapture (SECR) models to data from 47 camera traps deployed across five valleys covering 989 km 2 in Paddar, Kishtwar Himalaya. Alongside, we conducted focus group discussions with local communities to understand land‐use practices. The distribution model predicted high snow leopard suitability across the eastern region of Jammu and Kashmir, that is, the Kishtwar Himalaya. We estimated 0.35 (0.11–1.06) snow leopards100 km −2 with a realized abundance of 6 (6–11) individuals in Paddar. Land uses were local and migratory livestock grazing, religious pilgrimages and medicinal plant and fodder collection. Snow leopard were rarely seen by people, but livestock owners and herders faced livestock losses to snow leopards. Practical implication . Our approach provides the first integrated assessment of snow leopard occurrence in J&K, and density and land use in Paddar, offering insights for conservation planning outside formally protected areas. This underscores the urgent need to set up community‐based conservation interventions as we confirm that the Kishtwar Himalaya, irrespective of protection status, needs to be managed as a snow leopard landscape. Our study adds to the evidence that snow leopards need landscape‐level conservation strategies, rather than relying solely on Protected Areas.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».