Minimizing the cost of translocation failure with decision-tree models that predict species' behavioral response in translocation sites

Abstract

The high number of failures is one reason why translocation is often not recommended. Considering how behavior changes during translocations may improve translocation success. To derive decision-tree models for species' translocation, we used data on the short-term responses of an endangered Australian skink in 5 simulated translocations with different release conditions. We used 4 different decision-tree algorithms (decision tree, decision-tree parallel, decision stump, and random forest) with 4 different criteria (gain ratio, information gain, gini index, and accuracy) to investigate how environmental and behavioral parameters may affect the success of a translocation. We assumed behavioral changes that increased dispersal away from a release site would reduce translocation success. The trees became more complex when we included all behavioral parameters as attributes, but these trees yielded more detailed information about why and how dispersal occurred. According to these complex trees, there were positive associations between some behavioral parameters, such as fight and dispersal, that showed there was a higher chance, for example, of dispersal among lizards that fought than among those that did not fight. Decision trees based on parameters related to release conditions were easier to understand and could be used by managers to make translocation decisions under different circumstances. = El alto índice de fracasos es una de las razones por la cual la reubicación no se recomienda frecuentemente. El considerar cómo cambia el comportamiento durante las reubicaciones puede incrementar las posibilidades de su éxito. Para derivar modelos de árboles de decisión para la reubicación de especies usamos datos sobre las respuestas a corto plazo de un escinco australiano en peligro de extinción dentro de cinco reubicaciones simuladas con diferentes condiciones de liberación. Usamos cuatro diferentes algoritmos de árboles de decisión (árbol de decisión, árbol de decisión paralelo, tocón de decisión y bosque al azar) con cuatro criterios diferentes (proporción de ganancia, ganancia de información, índice gini y certeza) para investigar cómo los parámetros ambientales y conductuales pueden afectar al éxito de la reubicación. Asumimos que los cambios conductuales que incrementaban la dispersión lejos de un sitio de liberación reducirían el éxito de la reubicación. Los árboles se volvieron cada vez más complejos cuando incluimos a todos los parámetros conductuales como atributos, pero estos árboles produjeron más información detallada sobre por qué y cómo ocurría la dispersión. De acuerdo a estos árboles complejos, hubo asociaciones positivas entre algunos parámetros conductuales, como el combate y la dispersión, que demostraron que hay una mayor posibilidad, por ejemplo, de dispersión entre las lagartijas que pelearon que entre aquellas que no lo hicieron. Los árboles de decisión con base en parámetros relacionados con condiciones de liberación fueron más fáciles de entender y podrían usarse por los manejadores para tomar decisiones de reubicación bajo circunstancias diferentes.