Utafiti wenye kichwa “Predicting where to restore migrations with wildlife crossing structures: pronghorn and the remnants of lost migrations”, ulioandaliwa na Benjamin S. Robb na wenzake, unatoa mfumo mpana wa ikolojia ya harakati unaoonyesha kwamba vivuko vya wanyamapori vinaweza kutumiwa si tu kulinda njia za uhamaji ambazo bado zinaendelea, bali pia kurejesha uhamaji uliokatwa na barabara zamani na ambao leo hauonekani tena.

Lengo la utafiti ni pronghorn (Antilocapra americana), mmoja wa mamalia wenye kwato wanaotambulika sana Amerika Kaskazini. Watafiti wanachunguza jinsi barabara kuu ya US Interstate 80, yaani I80, inayopita kusini mwa Wyoming pamoja na mifumo ya uzio inayohusiana nayo, inavyounda kizuizi kisichopitika karibu kabisa kwa harakati za pronghorn. Kwa mujibu wa data iliyotajwa katika utafiti, kati ya 207 GPS-collared pronghorn waliofika ndani ya 15 km kutoka I80, ni 8 individuals pekee waliofanikiwa kuvuka kizuizi hiki. Ugunduzi huu unaonyesha kwamba barabara kuu si tu hatari ya vifo, bali pia kizuizi kikubwa cha ikolojia kinachokatiza tabia ya uhamaji.

Tatizo kuu la utafiti ni hili: Ikiwa barabara haiwezi tena kuvukwa na wanyama, njia za uhamaji zinazovuka barabara hiyo hazitaonekana katika data ya kisasa ya GPS. Katika hali hiyo, vivuko vinapaswa kujengwa wapi? Mbinu ya kawaida hutumia maeneo ambayo wanyama bado huvuka au sehemu zenye msongamano mkubwa wa migongano ya magari na wanyama ili kuchagua eneo la kivuko. Lakini mbinu hii haitoshi kurejesha uhamaji uliopotea, kwa sababu hakuna uvukaji unaoonekana. Ili kuziba pengo hili, watafiti wanaunda mfumo wa utabiri wa hatua tatu: kwanza kutambua makazi ya msimu, kisha kumodeli korido zinazowezekana za uhamaji kati ya makazi hayo, na hatimaye kuthibitisha utabiri kwa data huru.

Utafiti hutumia data za kola za GPS zilizokusanywa kati ya 2002–2020, zinazojumuisha 7 pronghorn populations na jumla ya 1051 animal-year. Watafiti kwanza hutambua makazi ya majira ya joto na baridi kwa kutumia resource selection functions. Kisha, kwa kutumia modeli za cost-distance zilizojifunza kutoka kwa makundi mawili yenye kiwango cha juu cha uhamaji, wanakadiria njia ambazo pronghorn wangeweza kutumia kama I80 isingekuwepo. Mwisho wa modelingi hii, hutengeneza heat map katika sehemu ya takriban 600 km kando ya I80, inayoonyesha maeneo ambako uwezekano wa kurejesha uhamaji wa pronghorn ungekuwa mkubwa ikiwa kivuko cha wanyamapori kingejengwa.

Nguvu ya utafiti ni kwamba korido za kihistoria za uhamaji zilizotabiriwa zinajaribiwa kwa data huru. Watafiti wanaripoti kwamba maeneo ambayo modeli ilitabiri kuwa na connectivity ya juu yanaingiliana na sehemu za migongano ya pronghorn na magari na pia na matumizi ya pronghorn yaliyoonekana kwa kamera katika underpasses zilizopo ambazo hazikuundwa mahsusi kwa wanyamapori. Hasa katika vuli, kati ya matumizi ya vivuko na darasa la connectivity lililotabiriwa hupatikana Spearman correlation = 0.514 na p = 0.035. Katika masika, correlation ni 0.409 na p = 0.082, ikiwa dhaifu zaidi lakini katika mwelekeo uleule. Aidha, crossing attempts kulingana na rekodi za mizoga ya pronghorn zimejikita kwa kiwango kikubwa zaidi kuliko bahati nasibu katika korido ambazo modeli ilitabiri kuwa na connectivity ya juu zaidi.

Utafiti huu unapendekeza mabadiliko muhimu ya dhana katika road ecology na restoration ya migration corridor. Mara nyingi miundo ya vivuko hupangwa tu kupunguza migongano ya magari. Makala hii inasema kuwa vivuko vinaweza kutekeleza kazi kubwa zaidi ya ikolojia: kuunganisha tena tabia za uhamaji zilizokatwa zamani. Hata hivyo, utafiti ni preprint, haujapitia peer review, na mfumo unaopendekezwa huzalisha candidate areas katika kiwango cha landscape; hatua kama engineering feasibility, social acceptance, local land conditions na post-crossing monitoring zinahitaji kufanywa kando.

Duniani kote, barabara, reli, uzio na mistari mingine iliyotengenezwa na binadamu inazidi kupunguza harakati za wanyama. Tatizo hili ni muhimu sana kwa mamalia wenye kwato wanaohama. Hii ni kwa sababu spishi hizi zinahitaji maeneo tofauti katika vipindi tofauti vya mwaka. Wakati wa baridi huhamia maeneo yenye theluji kidogo, matumizi ya nishati ya chini au upatikanaji wa chakula unaoendelea; wakati wa majira ya joto huhamia maeneo ya kuzaa, kulisha na kufikia uoto wenye ubora wa juu. Harakati hizi si tabia ya mtu mmoja tu, bali ni mkakati wa maisha katika kiwango cha population.

Pronghorn pia ni mfano mkubwa wa mkakati huu wa maisha wa kusonga. Spishi hii, iliyozoea landscapes wazi za Amerika Kaskazini, inaweza kufanya harakati za msimu katika maeneo makubwa. Lakini barabara kuu na uzio zinaweza kukatiza harakati hizi. I80 inayochunguzwa katika utafiti inaelezwa kama kizuizi kikubwa kinachopanuka takriban 600 km katika Wyoming. Barabara kuu si uso wa barabara tu; pamoja na trafiki, uzio, miundo ya pembeni na miundombinu isiyofaa kwa uvukaji, inazuia kwa kiasi kikubwa harakati za pronghorn.

Mojawapo ya hoja kuu za kuanzia za utafiti ni kwamba upangaji wa kisasa wa vivuko vya wanyamapori mara nyingi unategemea uvukaji unaoonekana. Ikiwa wanyama bado wanaweza kuvuka barabara, data za kola za GPS zinaweza kuonyesha sehemu hizo. Data za migongano ya magari pia zinaweza kuonyesha maeneo ambako crossing attempts au matumizi ya barabara hutokea. Katika hali hii, vivuko vinaweza kuwekwa mahali ambapo korido za sasa za harakati hukutana na barabara.

Lakini hali ni tofauti kwa uhamaji uliopotea. Ikiwa barabara au mfumo wa uzio umezuia karibu kabisa uvukaji wa wanyama, njia wazi za kuvuka barabara hazionekani tena katika data za GPS. Taarifa za kina za kijiografia kuhusu korido za kihistoria za uhamaji pia mara nyingi hazipo. Katika hali hii, mbinu ya kawaida ya “tafuta mahali mnyama anapovuka na ujenge kivuko hapo” haifanyi kazi. Hii ni kwa sababu mnyama hawezi tena kuvuka. Kwa hiyo watafiti wanageuza swali: Je, makazi ya sasa ya msimu na mapendeleo ya harakati za wanyama yanaweza kutumiwa kukadiria korido za uhamaji ambazo huenda zilikuwepo kabla ya kizuizi kujengwa?

Swali hili ni muhimu sana kwa usimamizi wa wanyamapori. Miundo ya vivuko ni ghali. Utafiti unatoa mfano wa gharama ya takriban 5 million dollars kwa overpass mwaka 2007. Kujenga muundo wa gharama hii mahali pasipofaa si hasara ya kiuchumi pekee, bali pia ni fursa iliyopotea ya uhifadhi. Kwa hiyo, maeneo ya vivuko kwa ajili ya kufungua tena uhamaji uliopotea yanapaswa kuchaguliwa si kwa hisia, bali kwa utabiri unaotegemea ikolojia ya harakati ya spishi.

Framework iliyotengenezwa na watafiti ina hatua tatu za msingi. Hatua ya kwanza ni kutambua makazi ya majira ya joto na baridi pande zote mbili za I80. Hatua ya pili ni kumodeli ni sifa gani za landscape zinazoathiri pronghorn wakati wanaposonga kati ya makazi haya ya msimu. Hatua ya tatu ni kuunganisha taarifa hizi mbili ili kuonyesha kwenye ramani maeneo ambako korido za kihistoria za uhamaji huenda zilikuwepo kando ya I80 na kuthibitisha utabiri kwa data huru.

Katika hatua ya kwanza, watafiti hutumia Resource Selection Function, yaani RSF. RSF ni mbinu ya takwimu inayotumiwa kuelewa ni sifa gani za makazi wanyama hutumia na zipi huepuka. Hapa lengo ni kutabiri ni maeneo gani pronghorn wana uwezekano mkubwa wa kuchagua katika majira ya joto na baridi. Utafiti hutumia data za kola za GPS zilizokusanywa kati ya 2002–2020, na jumla ya 1051 animal-year kutoka 7 populations huchambuliwa.

Katika RSF modeling, GPS points zilizochukuliwa wakati wa migration huondolewa; kwa sababu katika hatua hii lengo si kutambua migration route, bali seasonal habitat use. Kipindi cha majira ya joto kinafafanuliwa kama June–September, na kipindi cha baridi kama December–February. Eneo la msimu la kila individual huwakilishwa kwa 99% kernel density estimate. Kisha used na available points huchukuliwa sampuli kutoka maeneo haya.

Moja ya vipengele vya kimetodolojia vya utafiti ni kukubali kwamba resource selection hutegemea scale. Mnyama anaweza kuitikia factor fulani anapochagua region kwa kiwango kipana, lakini kuitikia factor nyingine anapochagua patch ndogo ndani ya region hiyo. Kwa hiyo watafiti hufanya analysis katika kiwango cha home range na kiwango cha patch. Pia hujaribu spatial buffer scales tofauti kwa kila kiwango. Kwa kiwango cha home range hutumiwa buffer options katika safu ya 0.25 km–15 km, na kwa kiwango cha patch katika safu ya 0.05 km–1.5 km.

Katika RSF models hutumiwa 10 predictor zinazodhaniwa kuathiri habitat selection ya pronghorn: slope, heat load, topographic position, river density, sagebrush cover, herbaceous cover, annual cover, integrated NDVI, fence density na major highway density. Hizi ni variables zenye maana kwa ecology ya pronghorn. Kwa mfano slope inaweza kuathiri movement cost; sagebrush na herbaceous cover zinaweza kuhusiana na food na cover; fence na highway density zinawakilisha moja kwa moja anthropogenic barrier effect.

RSF models hujengwa kwa mixed-effects conditional Poisson models. Chaguo hili linalenga kuzingatia tofauti kati ya individuals na populations. Random intercept hutumiwa kwa kila animal-year na hizi huwekwa nested ndani ya population. Model selection hufanywa kwa backward elimination kutoka full model, na most parsimonious model huchaguliwa ndani ya 2 ΔAIC. Prediction success hutathminiwa kwa three-fold cross-validation na Spearman rank correlation.

Katika hatua hii, watafiti hufanya jaribio la ziada muhimu. Kwa sababu sehemu kubwa ya GPS data inajumuisha pronghorn karibu na I80, barrier effect ya I80 inaweza kupotosha habitat-selection predictions. Kwa mfano, pronghorn wanaweza kutaka kutumia habitat nzuri lakini wasiweze kuifikia kwa sababu ya barabara kuu. Kwa hiyo watafiti hujenga upya RSF models kwa individuals walio more than 15 km kutoka I80. Hii husaidia kukadiria habitat preferences ambazo zimeathiriwa kidogo na barrier effect.

Matokeo yanaonyesha kuwa RSF models zinatabiri habitat use kwa usahihi mkubwa. Utafiti unasema kuwa Spearman rank correlation values kwa models zote zilikuwa above 0.8. Hii inaonyesha kwamba modeli inakamata kwa mafanikio ukweli kwamba GPS points hujikita zaidi katika maeneo kadiri habitat quality inavyoongezeka. Pia inaripotiwa kwamba pronghorn kwa ujumla huchagua maeneo tambarare zaidi, slopes zenye orientations fulani na maeneo yenye fence density ya chini.

Utafiti pia unatoa ushahidi wa ziada kwamba I80 inazuia habitat use. Inaripotiwa kuwa pronghorn walio karibu na I80, hasa wakati wa majira ya joto katika fine-scale habitat level, hutumia habitat ya ubora wa chini kuliko pronghorn walio mbali na I80. Kwa upande mwingine, inaelezwa kuwa eneo la 15 km kuzunguka I80 lina habitat yenye ubora wa juu kidogo kuliko landscape kwa ujumla. Yakichunguzwa pamoja, matokeo haya yanaunga mkono tafsiri kwamba pronghorn huenda wanatumia habitat ya ubora wa chini si kwa sababu mazingira ni mabaya, bali kwa sababu kizuizi kinawazuia kufikia maeneo bora.

Katika hatua ya pili, watafiti hujenga cost-distance models ili kutabiri migration routes zinazowezekana kati ya seasonal habitats. Cost-distance approach hudhani kwamba mnyama hupita kwa urahisi zaidi katika baadhi ya maeneo ya landscape na kwa ugumu zaidi katika mengine. Steep terrain, dense road network au unsuitable cover vinaweza kuongeza movement cost; baadhi ya vegetation au open-landscape features vinaweza kurahisisha harakati.

Katika utafiti, cost-distance models hufundishwa kwa populations mbili ambazo migration behavior ni ya kawaida zaidi: Sublette na Medicine Bow. Kwa Sublette hutumiwa 29 autumn na 47 spring migrations; kwa Medicine Bow hutumiwa 57 autumn na 40 spring migrations. Migrations kutoka populations nyingine tano huhifadhiwa kwa model evaluation: 30 autumn na 50 spring migrations. Migrations zilizoanza kati ya February–June huainishwa kama spring, na nyingine kama autumn.

Ili kupunguza autocorrelation katika migration routes, migration points za kila individual hupunguzwa ili ziwe angalau 1.5 km apart; hatua hii husababisha 77% reduction katika data set. Pia migrations zenye chini ya 10 points huondolewa, na kwa sababu hiyo 99 migrations hupotea kutoka data set. Maelezo haya ni muhimu; kwa sababu modeli inahitaji idadi ya kutosha ya movement points zenye direction ili kufanya kazi vizuri.

Katika cost-distance models hutumiwa 6 predictor zinazodhaniwa kuathiri movement ya pronghorn: slope, aspect, distance to roads, distance to rivers, sagebrush cover na herbaceous cover. Watafiti hutathmini kwa maximum-likelihood framework jinsi observed GPS points za kila migration zinavyolingana na least-cost corridor surface iliyotabiriwa na modeli.

Nguvu ya mbinu hii kwa utafiti ni kwamba corridor prediction haitokani tu na intuition ya watafiti, bali inategemea movement behavior halisi ya mnyama. Utafiti unalinganisha hili na ordinary linear regression: hapa predicted line inaweza kufikiriwa kama most likely low-cost path ya migration, observed GPS points kama dependent variable, na landscape features kama explanatory variables. Kwa njia hii, modeli hujifunza ni sifa gani za landscape ambazo mnyama hutumia wakati wa kusonga.

Cost-distance model results zinaonyesha seasonal differences. Katika populations zote mbili, autumn migrations huzuiwa na high slope na haziathiriwi sana na vegetation covariates. Katika spring migrations, sagebrush cover hurahisisha movement, wakati high herbaceous cover na high slope huzuia movement. Hii inaonyesha kwamba migration behavior ya pronghorn si suala la shortest distance tu; inaundwa na landscape features na seasonal conditions.

Katika model validation, kwa autumn cost-distance models hufanya vizuri zaidi kuliko straight-line model. Katika Medicine Bow model, predicted corridor area ni 9% smaller kuliko straight-line model, na katika Sublette model ni 23% smaller. Hii inaonyesha kwamba corridor prediction nyembamba na yenye maana zaidi inaweza kufanywa ili kufunika GPS points zilezile. Katika spring, cost-distance models hazifanyi vizuri zaidi kuliko straight-line model. Seasonal difference hii inaonyesha kwamba modeli haina nguvu sawa katika hali zote na kwamba spring migrations huenda zinaelezwa na environmental variables tofauti au chache zaidi.

Katika hatua ya tatu, watafiti wanatabiri historical migration corridors kando ya I80. Kwa hili, summer na winter habitat-quality maps hutumiwa kwanza. Kutoka maeneo yaliyo juu ya 80. percentile ya habitat suitability katika kila season, 3.000 points huchaguliwa kwa random. Kisha points za seasons tofauti katika upande mwingine wa I80 huunganishwa kwa random. Pairing distances huwekwa kati ya 30 km–300 km, kulingana na minimum na maximum migration distance zilizoonekana katika data set.

Jumla ya 6.000 start-end pairing huundwa kwa autumn na spring. Pairings hizi huendeshwa kwa Sublette na Medicine Bow cost-distance models, na jumla ya 12.000 probability surface hutengenezwa. Kila surface huwakilisha probability kwamba mnyama atapita pixel fulani wakati wa migration kati ya start na end point maalum. Surfaces hizi huunganishwa kwa season na model.

Ili kutenganisha connectivity inayotokana tu na spatial arrangement ya start na end points, watafiti hunormalize predictions dhidi ya null spatial prediction. Kisha huzidisha layers kutoka Sublette na Medicine Bow models ili kuonyesha maeneo ambayo models zote mbili zinatoa high connectivity kwa wakati mmoja. Mwishowe seasonal connectivity layers hufanyiwa log transform na kugawanywa katika five percentile classes. Hivyo, maeneo kando ya I80 ambayo huenda yakawa most likely historical migration corridors huwekwa kwenye ramani.

Matokeo muhimu zaidi ya ramani hizi ni kwamba high-connectivity areas hujikita hasa karibu na Wamsutter na Rawlins. Utafiti unafafanua maeneo haya mawili kama important corridor networks zinazounganisha winter ranges kusini mwa I80 na summer ranges za northwest, north na northeast. Pia Green River west, maeneo east na west ya Rawlins, west of Laramie, na narrow corridor networks zinazokwenda sambamba na mountain valleys au rivers hujitokeza.

Figure 1 inaonyesha kwa picha mantiki ya jumla ya utafiti. Katika Panel A, inaelezwa kuwa GPS collar lines zinaweza kuonyesha crossing points moja kwa moja katika permeable barriers, lakini katika impermeable barriers wanyama hawawezi kuvuka hivyo mbinu hii huacha gap. Katika Panel B, kuna picha ya pronghorn watatu wanaopita kwenye existing underpass. Underpass hii haikuundwa mahsusi kwa wildlife; hata hivyo, hata matumizi machache yanatoa data muhimu kwa model validation. Katika Panel C, movements za GPS-collared pronghorn, rare crossings na proposed crossing areas kando ya I80 zinaonyeshwa kwenye ramani. Picha hii inaonyesha kwa wazi jinsi I80 ilivyo strong barrier kwa movement ya pronghorn.

Figure 2 inaonyesha ramani muhimu zaidi ya utafiti. Katika Panel A, historical pronghorn migration corridors zilizotabiriwa kwa autumn zinaonyeshwa. Kwenye color scale, maeneo yanayokaribia red yanawakilisha 80–100 percentile connectivity class, yaani strongest corridor candidates. Wamsutter–Rawlins line inajitokeza wazi. Katika Panel B, maeneo ambako pronghorn waligongana na magari kando ya I80, yaani mahali walipojaribu kuvuka, yanaonyeshwa kwa blue bars au markers. Kuingiliana kwa maeneo haya na high-connectivity corridors kunaonyesha kuwa modeli inaungwa mkono na independent data. Panels C na D zinaonyesha autumn na spring camera data pamoja na asilimia za pronghorn use katika existing underpasses.

Model validation results ni muhimu sana kwa uaminifu wa utafiti. Watafiti huweka cameras katika existing underpasses na kufuatilia pronghorn use. Katika autumn huangaliwa 17 structures, na katika spring 19 structures. Katika autumn, kati ya predicted connectivity bin na proportion of days ambapo pronghorn walitumia underpass hupatikana Spearman rank correlation = 0.514 na p = 0.035. Katika spring, uhusiano huu ni 0.409 na p = 0.082. Spring result haivuki classical 0.05 significance threshold; lakini mwelekeo wake unaendana na model expectation.

Chanzo cha pili cha validation ni pronghorn-vehicle collision data. Pronghorn carcass records zilizokusanywa na Wyoming Department of Transportation kati ya 2009–2019 hutumiwa. Jumla ya 314 carcass location data huchukuliwa kama crossing-attempt indicators. Watafiti huhesabu proportion ya crossing attempts ndani na nje ya highest-connectivity contour. Katika autumn na spring maps, crossing attempts hupatikana kwa kiasi kikubwa zaidi kuliko random katika high-connectivity corridors; kwa seasons zote mbili p < 0.001 huripotiwa.

Ugunduzi huu unaimarisha dai kuu la utafiti. Modeli si ramani iliyozalishwa tu kutoka habitat na cost-distance assumptions; inaunganishwa na tabia halisi ya pronghorn kupitia independent collision na camera data. Maeneo ambako wanyama hujaribu kuvuka na kushindwa yanaingiliana na maeneo ambayo modeli inasema “historical migration corridor may have existed here.” Hii inaonyesha kwamba wildlife crossings zinaweza kupangwa si tu kama collision-reduction tool, bali pia kama migration-restoration tool.

Sehemu ya mjadala ya utafiti inaeleza maana ya matokeo haya kwa conservation planning. Hadi sasa, crossing structures zimetumiwa zaidi kulinda migrations zinazoendelea au kupunguza vehicle collisions. Lakini pia kuna migrations ambazo zimekatwa kabisa na roads. Kwa migrations hizi zilizopotea, crossing structures zinaweza kuwa restoration tool mpya. Hata hivyo, kufanya hivyo kunahitaji framework inayotabiri wapi migration huenda ilikuwepo zamani. Utafiti huu unatoa framework kama hiyo.

Moja ya candidate areas zinazojitokeza ni karibu na Wamsutter na Rawlins. Katika maeneo haya, predicted corridors zinaunganisha winter ranges kusini mwa I80 na summer ranges kaskazini na zinaweza kunufaisha populations zaidi ya moja. Utafiti pia unasema kwamba predicted corridor hii inaingiliana na maeneo yenye msongamano mkubwa zaidi wa pronghorn collisions na inajumuisha maeneo ambako pronghorn wawili wenye GPS collars walivuka existing underpass ambayo si wildlife-friendly.

Tabia ya pronghorn dhidi ya underpasses pia ni muhimu. Utafiti unasema kuwa kwa ujumla pronghorn husita zaidi kutumia underpass kuliko overpass. Hii inaonyesha kwamba katika crossing design, si location pekee bali pia structure type ni muhimu. Kwa pronghorn corridor, overpass inaweza kuwa suitable zaidi kuliko underpass katika baadhi ya mazingira. Hata hivyo, existing openings kama underpasses, interchanges au machinery underpasses zinaweza kutoa retrofit opportunities zenye gharama ndogo.

Predictions katika western Green River Basin pia zinavutia kihistoria. Utafiti unasema kwamba archaeological hunting sites na pronghorn bonebed records katika eneo hili zinahusishwa na shughuli za binadamu ambazo zamani zilinasa seasonal north-south movements. Modern Sublette na Uinta-Cedar pronghorn herds pia hutumia winter ranges katika pande tofauti za I80 na kuhama kwa direction iliyo perpendicular kwa barrier. Kwa hiyo model predictions za korido za magharibi zinaonekana kuendana na historical na modern ecological evidence.

Umuhimu mpana wa utafiti ni kuunganisha maendeleo ya data na methods katika movement ecology na conservation engineering. GPS collar data hutoa taarifa za kina sana kuhusu habitat use na movement behavior za wanyama. Cost-distance models na maximum-likelihood approach husaidia kugeuza movements hizi kuwa statistically most likely corridors. Hivyo crossing planning inaweza kutegemea si tu roadside mortality records, bali pia seasonal needs za wanyama na jinsi wanavyosonga kwenye landscape.

Mbinu hii pia ina umuhimu katika muktadha wa climate change. Utafiti unasema kuwa extreme weather events zinapoongezeka, connectivity inaweza kuwa muhimu zaidi kwa species kama pronghorn ambazo hukwepa poor conditions kwa kusonga. Deep snow, drought, vegetation change au heat stress zinaweza kuwalazimisha wanyama kuhamia maeneo tofauti. Ikiwa highways na fences zinazuia harakati hii, populations zinaweza kuwa katika hatari. Kwa hiyo crossings zinaweza kusaidia si migrations za leo pekee, bali pia future climate-adaptation capacity.

Utafiti pia unawekwa katika muktadha wa global road fragmentation. Roadless areas kubwa kuliko 100 km² zinafunika only 7% ya terrestrial world; 93% iliyobaki ni landscapes zilizogawanyika kwa anthropogenic influence. Kwa hiyo conservation strategies haziwezi kuishia tu kulinda maeneo ambayo hayajaharibiwa. Pia inahitajika kuunganisha tena habitats ndani ya human footprint. Wildlife crossings ni moja ya tools halisi za restoration approach hii.

Nguvu za utafiti ni pamoja na large GPS data set, multi-scale RSF approach, cost-distance models zilizo calibrated na animal movement, independent validation data, landscape-scale prediction katika I80, na matumizi ya collision/camera data pamoja kwa model testing. Pia, kwa sababu utafiti haujalengi tu kulinda existing crossings bali kurejesha lost migrations, unashughulikia pengo ambalo limefanyiwa kazi kidogo katika road-ecology literature.

Mapungufu pia yanapaswa kutajwa wazi. Kwanza, utafiti ni preprint ambayo haijapitia peer review. Pili, cost-distance models zinadhani directed movement na specific start-end points. Kwa hiyo stopover na reverse movements zimeondolewa kutoka data set. Hii inamaanisha framework inahitaji large, high-quality GPS data sets. Ikiwa data ni sparse au movement ni complex/non-directional sana, modeli inaweza kuwa vigumu zaidi kutumia.

Kizuizi cha tatu ni kwamba modeli inategemea current habitat na connectivity conditions. Land use, energy development, new roads, fences au climate change vinaweza kubadilisha habitat suitability baadaye. Utafiti unasema framework inaweza kujumuisha future habitat au anthropogenic-development projections; lakini current application inategemea hali za sasa. Kizuizi cha nne ni kwamba modeli hutoa candidate areas katika landscape scale. Kwa final crossing location, engineering feasibility, topography, land ownership, social acceptance, cost na local design studies zinahitajika.

Kizuizi cha tano ni kwamba effectiveness lazima ifuatiliwe baada ya crossing kujengwa. Kujenga crossing mahali ambapo modeli inaonyesha high connectivity hakuhakikishi moja kwa moja kwamba migration itarudi. Kujifunza kutumia structure, social transmission, behavioral habituation, fence adjustments za karibu, human activity na structure type vinaweza kuathiri matokeo. Kwa hiyo utafiti unasisitiza kwamba framework ni hatua ya kwanza ya large, multidisciplinary restoration project.

Lazima kuwe na tofauti wazi kati ya kile utafiti unasema na usichosema. Utafiti hauthibitishi kwamba kujenga crossing katika points maalum za I80 kutarejesha migration ya pronghorn kwa uhakika. Pia haisemi kwamba kila predicted corridor inaweza kutekelezwa moja kwa moja kiuhandisi. Badala yake, utafiti unatoa framework inayotabiri ni maeneo gani yenye promising ecological candidates zaidi kwa kurejesha lost migrations na kuunga mkono predictions hizi kwa independent behavior data.

Kwa hiyo ujumbe wenye nguvu zaidi wa utafiti ni huu: ikiwa roads zimekata kabisa migration ya wanyama, crossing planning haiwezi kufanywa kwa kutafuta existing crossing points pekee. Lost corridors lazima zikadiriwe upya kupitia seasonal habitats na movement preferences za mnyama. Mbinu kama hii inaweza kubadilisha wildlife crossings kutoka collision-mitigation infrastructure tu kuwa restoration tools zinazounganisha tena ecological processes.

Mbinu na Matokeo ya Utafiti

Mbinu ya utafiti ina hatua tatu kuu: kutambua seasonal habitats, kumodeli landscape features zinazounda migration corridors, na kutabiri lost historical migration corridors kando ya I80 na kuzithibitisha kwa independent data.

1. Mfumo wa utafiti na tatizo la msingi

2. Data set

3. Hatua 1: Kutambua seasonal habitats kwa RSF

RSF predictor set:

RSF findings:

• RSF models zilitabiri habitat use kwa nguvu; Spearman rank correlation iliripotiwa kuwa > 0.8 kwa models zote.
• Pronghorn kwa ujumla walichagua flatter areas na certain slope characteristics katika broad scale; lower fence density ikawa muhimu katika patch level.
• Models zilizojengwa kwa individuals walio more than 15 km kutoka I80 zilitumiwa kukadiria habitat preferences ambazo hazijapotoshwa sana na barrier effect.
• Pronghorn karibu na I80 walipatikana kutumia lower-quality habitat kuliko ilivyotarajiwa, hasa katika summer patch scale.
• Kwamba habitat karibu na I80 ilikuwa marginally higher quality kuliko general landscape kunaonyesha kwamba low use inaweza kutokana na barrier effect badala ya environmental inadequacy.

4. Hatua 2: Kumodeli migration behavior kwa cost-distance models

Cost-distance predictor set:

Cost-distance findings:

• Cost-distance models zote nne zilikuwa informative zaidi kuliko null model yenye random covariate.
• Autumn pronghorn migrations zilizuiwa na high slope.
• Vegetation cover covariates hazikuwa na obvious effect katika autumn migrations.
• Katika spring, sagebrush cover ilirahisisha movement; high herbaceous cover na high slope zilizuia movement.
• Katika autumn, cost-distance models zilitabiri vizuri zaidi kuliko straight-line model.
• Katika Medicine Bow model, corridor area ilikuwa 9% smaller kuliko straight-line model, na katika Sublette model 23% smaller.
• Katika spring, cost-distance models hazikufanya vizuri kuliko straight-line model.

5. Hatua 3: Kutabiri historical corridors kando ya I80

Mapping findings:

• Autumn na spring predicted corridors kwa ujumla zilijikita katika maeneo yanayofanana.
• Broadest prominent connectivity area ilikuwa south-central Wyoming, hasa karibu na Wamsutter.
• Rawlins ilijitokeza kama important corridor network inayoweza kuunganisha populations nyingi.
• Narrow corridor networks zilitabiriwa west of Green River, east na west of Rawlins, west of Laramie, na entlang river/mountain valleys.
• Corridors karibu na Wamsutter na Rawlins zinaunganisha winter ranges kusini mwa I80 na summer ranges za northwest, north na northeast.

6. Independent validation: camera data

7. Independent validation: pronghorn-vehicle collision data

8. Maana ya kisayansi ya figures

• Figure 1A: Inaonyesha kwa dhana crossing-planning problem katika permeable na impermeable barriers. Katika permeable barriers, GPS collar lines zinaweza kuonyesha crossing points; katika impermeable barriers, kwa kuwa wanyama hawawezi kuvuka, past corridor locations lazima zitabiriwe.
• Figure 1B: Inaonyesha mfano wa picha/camera wa pronghorn watatu wanaosonga karibu na existing underpass. Ingawa structure haikuundwa mahsusi kwa wildlife, hata matumizi machache hutoa data kwa model validation.
• Figure 1C: Inaonyesha GPS collar movements na rare crossing examples kando ya I80 katika Wyoming. Kwamba ni 8 tu kati ya 207 pronghorn waliweza kuvuka I80 kunaunga mkono visually nguvu ya barrier.
• Figure 2A: Inaonyesha predicted historical pronghorn migration corridors kwa autumn. Red areas ni highest connectivity, yaani 80–100 percentile corridor candidates. Wamsutter na Rawlins areas zinaonekana wazi.
• Figure 2B: Inaonyesha maeneo ambako pronghorn waligongana na vehicles kando ya I80, yaani crossing attempts. Kuingiliana kwa points hizi na high connectivity areas kunasaidia model validation.
• Figure 2C–D: Inaonyesha percentages za pronghorn use zilizorekodiwa na camera katika existing underpasses katika autumn na spring. Use rates hizi zililinganishwa na predicted corridor classes.

9. Main results

• Ili kurejesha lost migrations, crossing locations haziwezi kuchaguliwa kwa existing crossing data pekee.
• Kwa kuunganisha seasonal habitat prediction na cost-distance corridor modeling, migration corridors ambazo huenda zilikuwepo zamani zinaweza kutabiriwa.
• I80 ni strong barrier kwa pronghorn movement katika Wyoming; ni 8 tu kati ya 207 individuals waliovuka barrier hii.
• RSF models zilitabiri habitat use ya pronghorn kwa high accuracy; Spearman correlations zilikuwa above 0.8.
• Autumn cost-distance models zilitengeneza narrower na better corridor predictions kuliko straight-line model.
• Wamsutter na Rawlins areas zinajitokeza kama strong candidate corridor networks kwa crossing structures kando ya I80.
• Model predictions ziliungwa mkono na independent camera na pronghorn-vehicle collision data.
• Crossing structures zinaweza kutumiwa si tu kupunguza vehicle collisions, bali pia kurejesha interrupted migrations.

10. Strengths

• Inatumia large, long-term GPS collar data set.
• Inafanya landscape-scale analysis kwa seven populations na 1051 animal-year data.
• Inaunganisha habitat selection na corridor prediction katika framework moja.
• Inacalibrate cost-distance models kwa real animal migrations.
• Inathibitisha predictions kwa independent data kama camera na collision records.
• Inachukulia road crossings si collision mitigation tu, bali migration restoration tool.

11. Limitations

• Utafiti ni preprint ambayo haijapitia peer review.
• Cost-distance models zinadhani directed movement na specific start-end points.
• Kwa sababu stopover na reverse movements ziliondolewa, baadhi ya complexities za migration behavior huenda hazikujumuishwa katika modeli.
• Framework inahitaji large, high-quality GPS data set; inaweza kuwa ngumu kutumia katika maeneo yenye sparse data.
• Spring cost-distance models hazikufanya vizuri kuliko straight-line model.
• Modeli inategemea current habitat na landscape conditions; future land use na climate change vinaweza kubadilisha crossing priorities.
• Maps huzalisha candidate areas katika landscape scale; final crossing location inahitaji engineering, cost, land ownership na social-acceptance analyses.
• Long-term monitoring inahitajika baada ya crossing kujengwa ili kupima kama migration imerejeshwa kweli.

Tanbihi ya Chanzo na Mbinu

Makala hii imeandaliwa kwa kutegemea utafiti wa Benjamin S. Robb, Tristan A. Nuñez, Jerod A. Merkle, William J. Rudd, Hall Sawyer, R. Scott Gamo, Patrick Burke, Jeffrey L. Beck na Matthew J. Kauffman wenye kichwa “Predicting where to restore migrations with wildlife crossing structures: pronghorn and the remnants of lost migrations”. Uhusiano wa waandishi umeorodheshwa na University of Wyoming, Wyoming Cooperative Fish and Wildlife Research Unit, Wyoming Migration Initiative, Wyoming Department of Transportation, Wyoming Game and Fish Department, Western Ecosystems Technology na U.S. Geological Survey.

Aina ya chanzo inapaswa kutathminiwa kama preprint / draft ya makala ya kisayansi ambayo haijapitia peer review, kwa sababu maandishi yana kauli wazi “This preprint research paper has not been peer reviewed”. Maandishi pia yanasema draft ya makala imesambazwa kwa scientific peer review na bado haijaidhinishwa na USGS kwa publication. Kwa hiyo findings hazipaswi kufasiriwa kama official USGS view au final policy outcome.

Katika kuandaa maudhui haya, zimezingatiwa pronghorn GPS collar data set, I80 barrier effect, 1051 animal-year data, 7 populations, RSF modeling approach, home range na patch scale, cost-distance models, Sublette na Medicine Bow training populations, 600 km I80 section, predicted corridors karibu na Wamsutter na Rawlins, camera validation data, pronghorn-vehicle collision records, Spearman correlations, p-values, maps katika Figure 1 na Figure 2, na limitations zilizotolewa katika utafiti.

Hakuna madai ambayo hayapo katika maandishi yaliyoongezwa, kama guarantee ya restoration, madai kwamba proposed crossings zinaweza kutekelezwa moja kwa moja kiuhandisi, hitimisho kwamba matokeo yale yale yanatumika kwa pronghorn populations zote, kukubaliwa kwa peer-reviewed publication au official USGS policy finding. Mchango mkuu wa utafiti ni kutoa landscape-scale decision-support framework, inayotegemea movement ecology na kuthibitishwa kwa independent data, kwa kutabiri mahali ambapo wildlife crossings zinaweza kuwekwa ili kurejesha lost migrations.