Killer whale ( <i>Orcinus orca</i> ) predation in a multi‐prey system
Notice bibliographique
Résumé
Abstract Predation can regulate prey numbers but predator behaviour in multiple‐prey systems can complicate understanding of control mechanisms. We investigate killer whale ( Orcinus orca ) predation in an ocean system where multiple marine mammal prey coexist. Using stochastic models with Monte‐Carlo simulations, we test the most likely outcome of predator selection and compare scenarios where killer whales: (1) focus predation on larger prey which presumably offer more energy per effort, (2) generalize by feeding on prey as encountered during searches, or (3) follow a mixed foraging strategy based on a combination of encounter rate and prey size selection. We test alternative relationships within the Hudson Bay geographic region, where evidence suggests killer whales seasonally concentrate feeding activities on the large‐bodied bowhead whale ( Balaena mysticetus ). However, model results indicate that killer whales do not show strong prey specialization and instead alternatively feed on narwhal ( Monodon monoceros ) and beluga ( Delphinapterus leucas ) whales early and late in the ice‐free season. Evidence does support the conjecture that during the peak of the open water season, killer whale predation can differ regionally and feeding techniques can focus on bowhead whale prey. The mixed foraging strategy used by killer whales includes seasonal predator specialization and has management and conservation significance since killer whale predation may not be constrained by a regulatory functional response.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».