Predicting risk of livestock depredation by wolves in southwestern Alberta
Notice bibliographique
Résumé
Wolves can potentially prey on all ungulates within their distributional range, including domestic livestock. The potential for conflict between wolves and humans therefore exists especially in rural areas where livestock production is a major economic activity, such as southwestern Alberta. Limited studies have examined factors that predispose livestock to depredation by wolves, and none occurred in southwestern Alberta. The purpose of this study was to determine the spatial relationships between habitat characteristics, human use and wolf depredation on livestock in southwestern Alberta. The goal is to use these characteristics as predictors for areas at risk. We used Geographic Information Systems (GIS) to examine the effects of vegetation productivity, geography, and proximity to roads, rivers, and cover on predicting livestock depredation by wolves. Binary logistic regression analyses, ranked using Akaike Information Criteria (AIC), were used to determine what variables were best at explaining depredation occurrence. On private lands, greenness and elevation were important variables in the best logistic regression model (y = -22.366 + 0.009(elev) + 0.024(green)). These variables were also significantly different between depredated and random sites (elevation (tcrit = 1.97, p = 0.0035), greenness (P tcrit = 1.97, p = 4.40E-08)). Our results indicate that ranches (and land within an 8-km buffer of them) in proximity to the Rocky Mountains and in areas of higher vegetation productivity are at risk of depredation by wolves.
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) | 0,001 | 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 ».