Data from: The influence of human presence and footprint on animal space use in US national parks
Notice bibliographique
Résumé
Given the importance of protected areas for biodiversity, the growth of visitation to many areas has raised concerns about the effects of humans on wildlife. In 2020, the COVID-19 pandemic led to temporary closure of national parks in the United States, offering a pseudonatural experiment to tease apart the effects of permanent infrastructure and transient human presence on animals. We compiled GPS tracking data from 229 individuals of 10 mammal species in 14 parks, and used third-order hierarchical Resource Selection Functions to evaluate the influence of the human footprint on animal space use in 2019 and 2020. Averaged across all parks and species, animals avoided the human footprint, whether the park was open or closed. However, while animals in remote areas showed consistent avoidance, on average those in more developed areas switched from avoidance to selection when protected areas were closed. Findings varied across species: some responded consistently negatively to the footprint (wolves, mountain goats), some positively (mule deer, red fox), and others had a strong exposure-mediated response (elk, mountain lion). Furthermore, some species responded more strongly to the park closure (black bear, moose). This study advances our understanding of complex interactions between recreation and wildlife in protected areas. While we do not share raw location data due to the sensitivity of animal locations, we provide complete information on the format of data files, intermediate data products, and the scripts necessary to reproduce analyses.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».