![Sample our Environment & Agriculture journals, sign in here to start your access, latest two full volumes FREE to you for 14 days]({"type":"image" , "src" : "/sda/5934/TOC-Subject-Sample-2021-Environment-Agriculture.jpg"})
Abstract
We developed and compared three habitat models for estimating the relative probability of occurrence, by month, for grizzly bears (Ursus arctos) in Jasper National Park (JNP), Alberta. These models included 1) a habitat map derived from remote sensing Landsat imagery; 2) food-index models generated from the predicted occurrence of bear foods and assigned monthly importance values; and 3) probabilistic food models representing the occurrence of each bear food. Resource selection function (RSF) models for grizzly bears were generated using 3,924 global positioning system (GPS) radiotelemetry locations and the above habitat models. Comparisons were made among RSF models, by month, using Akaike’s Information Criterion (AIC). In all seven months (April to October), food-index models performed poorly. In April and July, the remote-sensing habitat map predicted bears best, while the food-probability models performed best in the remaining five months. Overall, we found substantial improvement by using food-probability models for predicting JNP grizzly bear occurrence. Remote-sensing maps, although predictive, may not reveal underlying mechanisms and fail to recognize the dynamic nature of seasonal grizzly bear habitats. The disconnect between food-index and food-probability models suggests that monthly food importance values require additional parameterization. Development of spatial food models on phenologically important scales more closely matches the resources and temporal scales at which animals perceive and use resources.
Résumé
Nous avons développé et comparé trois modèles d’habitats dans le but d’estimer la probabilité relative de la présence, à chaque mois, d’ours gizzly (Ursus arctos) dans le parc national de Jasper en Alberta. Ces modèles comprennent : 1) une carte des habitats construite à partir des images satellitaires Landsat, 2) des modèles d’indices de nourriture (prédiction de la présence de nourriture associée à une valeur d’importance pour chaque mois) et 3) des modèles de nourriture probabilistes représentant la présence de chaque source de nourriture. Les modèles de fonction de sélection de ressources (FSR) pour les ours grizzly ont été établis à partir de 3924 localisations radiotélémétriques déterminées par système de positionnement géographique et à partir des modèles d’habitats décrits plus haut. Nous avons comparé les modèles FSR, par mois, en utilisant les critères d’information Akaike. Les modèles d’indices de nourriture n’ont pas donné de bons résultats quelque soit le mois considéré (avril à octobre). Pour les mois d’avril et de juillet, c’est la carte des images satellitaires qui a le mieux réussi à prédire la présence d’ours, alors que pour les cinq autres mois, les modèles de probabilité de nourriture ont donné les meilleurs résultats. En conclusion, l’utilisation de modèles de probabilité de nourriture apporte de nets avantages pour la prédiction de la présence des ours dans le parc national de Jasper. Les cartes d’images satellitaires, bien qu’elles soient d’une certaine utilité pour prédire la présence des ours, ne révèlent pas nécessairement les mécanismes sous-jacents et ne permettent pas de reconnaître la nature dynamique des habitats saisonniers de l’ours grizzly. L’absence de relation entre les modèles d’indices de nourriture et ceux de probabilité suggère qu’il serait préférable d’évaluer de nouveaux paramètres afin de mieux quantifier l’importance de la nourriture des ours pour chaque mois. Les modèles spatiaux de nourriture utilisant des échelles phénologiques appropriées se rapprochent beaucoup plus de la réalité perçue par les animaux lorsqu’il s’agit d’utiliser les ressources d’un territoire.
