Multi‐temporal factors influence predation for polar bears in a changing climate
Notice bibliographique
Résumé
Predation is an ecological interaction influenced by abiotic and biotic factors acting on multiple temporal scales, yet multi‐temporal comparisons are rare in empirical studies. For polar bears Ursus maritimus , the physical configuration of the habitat and conditions in which seals are hunted may change on intra‐ and inter‐seasonal scales. Additionally, while the effects of climate change on polar bears have focused on linking reductions in sea ice to body condition and survival, the potential changes to on‐ice hunting conditions have not been examined. Employing observational counts of seals killed by polar bears between early‐April and late‐May 1985–2011 (n = 650), we modelled the likelihood of predation events in the Beaufort Sea, Canada at multi‐temporal scales. We used the top model to estimate the expected kill rate of seals in the springs of 1985–1986 and 2005–2006 and integrated the result with fasting rates derived from physiological markers in blood samples. A log‐likelihood ratio test suggested a multi‐temporal approach fit the seal kill data better than any single scale alone. Predation events were influenced by ringed seal Pusa hispida reproduction and haul‐out behaviour, regional sea ice concentration and the phase of climatic indices. The expected kill rate from the top predation model and the estimated mean biomass of seal kills were significant predictors of polar bear fasting rates. Results suggest that 50% less seal biomass was killed in 2005–2006 than in 1985–1986, which correlates with a significant increase in the frequency of polar bears in a fasting state. We propose that the documented changes in polar bear fasting rates between 1985–1986 and 2005–2006 are due to a complex set of abiotic and biotic factors including underlying prey dynamics, rather than a single‐scale environmental correlation.
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 ».