MECHANISTIC ANALYSIS OF INTERSPECIFIC COMPETITION USING FORAGING TRADE-OFFS: IMPLICATIONS FOR DUCK ASSEMBLAGES
Notice bibliographique
Résumé
The role of interspecific competition and resource partitioning in determining the composition of species assemblages is often controversial. In many cases data on species co-occurrence or resource use (prey or habitat) have been interpreted without a clear understanding of how, or even whether, phenotypic differences constrain performance to allow resource partitioning or how these constraints and the density of resources and competitors should shape resource selection by each species. Instead, predictions have been based on assumed constraints, possibly leading to conflicting results. One such controversy involves the role of bill morphology in mediating resource partitioning among dabbling ducks (Anas spp.). To determine whether incorrect assumptions may have contributed to this controversy, I constructed mechanistic models that predict filter-feeding performance for seven species of ducks directly from bill morphology and kinetics and compared these predictions to those of earlier studies that tested the bill morphology hypothesis. The models predicted that species should share a preference for their most profitable (primary) prey while partitioning their less profitable (secondary) prey by size. Consequently, ducks should forage in the same habitats and exhibit high overlap in prey size when competitor/resource ratios are either high or low. In contrast, earlier studies expected that resource partitioning should always be evident, which implicitly assumes that species partition their primary resources. The models also predicted that the ecological similarity of species in assemblages should increase as prey abundance and size variability declines, contrary to the expectations of an earlier study. A more consistent understanding of the mechanisms regulating assemblages of dabbling ducks, and other species, might emerge if patterns of resource use and species co-occurrence were predicted directly from a mechanistic understanding of how performance trade-offs affect resource selection in the context of varying resource and competitor densities.
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) | 0,000 | 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 ».