Integrating human trail use in montane landscapes reveals larger zones of human influence for wary carnivores
Notice bibliographique
Résumé
Coexistence between humans and wildlife is necessary for many conservation goals but is difficult to achieve in landscapes with increasing human populations and species that are often wary of people and may also threaten human safety. In these contexts, coexistence may be enhanced by identifying geographic areas where animal movement is particularly important and changes to human use via trail design could support both wildlife conservation and human safety. We used camera trap data to monitor the spatial distribution of grizzly bears (Ursus arctos), gray wolves (Canis lupus), and humans within the central Canadian Rocky Mountains, where anthropogenic development and human activity have gradually encroached on limited wildlife habitat. We quantified spatial variation in human use, and then incorporated this output into models for the detection rates of bears and wolves. We interpolated metrics of human use throughout the study area using inverse distance weighted averages of human detection rates from cameras. This approach supported a novel estimate of the cumulative effects of human use at all nearby trails on animal space use. We used our models to estimate the zone of influence of human use on bears and wolves, determining the distance at which human-use on nearby trails no longer exhibited a measurable change in detection rates for each of grizzly bears and wolves. The negative effects of human use on wildlife declined steeply with distance such that 50% of the decrease in detection rates immediately adjacent to trails would be expected to occur at 267 m for grizzly bears and 576 m for wolves. Weak effects, 5% as strong as the effect adjacent to trails, extended up to 1.8 km and 6.1 km for grizzly bears and wolves, revealing the importance of cumulative measures of human use. Our work shows how the distribution of human activity over entire landscapes can alter wildlife detection rates. Our results identify target buffer distances for protected areas near trails, and the modelling framework could be used by land managers to predict how altering trail networks and modifying human activity could affect wary wildlife species and advance coexistence.07-Nov-2024 --
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».