Integrated species distribution models predict motorized and non-motorized outdoor recreation across seasons
Notice bibliographique
Résumé
Outdoor recreation is occurring at unprecedented levels, yet our knowledge of how to best monitor and analyse outdoor recreation is outdated. Inaccurate and unreliable recreation information affects everything from designing sustainable recreation plans to developing conservation strategies for sensitive or migratory species. We asked: (1) what are patterns of recreation intensity and how do they differ by activity type (motorized, non-motorized) and season; and (2) which variables best explain recreation intensity across space and time and how do relationships with variables differ by activity type and season. In western Canada, a hub for outdoor recreation in all seasons, we collected five unique datasets on recreation use and occurrence (Strava, systematic and incidental aerial surveys, trail counters, cameras) to predict motorized and non-motorized recreation intensity across six seasons. We fit integrated species distribution models (iSDM) to multiple data types including count, presence/absence, and presence-only data to predict the distribution of recreation. We assessed the effects of terrain, vegetation, accessibility, infrastructure, and snow and climate to understand patterns and predict recreation intensity across six seasons: early winter (Nov–Dec), mid-winter (Jan–Feb), late winter (Mar–Apr), spring (May–Jun), summer (Jul–Aug), and fall (Sep–Oct). We found substantial variation of recreation intensity across the study area and seasons, for both activity types. We also found human access (e.g., trails) explained patterns in recreation activities across seasons. Winter recreation occurred at higher elevation relative to non-snow seasons, whereas summer recreation occurred in more steep terrain. By using iSDMs we were able to leverage multiple datasets with disparate spatial or temporal coverages. This work fills important research and knowledge gaps for people managing land-use, conservation and recreation, specifically those working beyond protected and conserved areas where few open data sources exist. Our research suggests recreation intensity is dynamic and static proxies for recreation commonly used in research and monitoring may be insufficient.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 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 ».