Using Bayesian stable isotope mixing models to estimate wolf diet in a multi‐prey ecosystem
Notice bibliographique
Résumé
Abstract Stable isotope analysis (SIA) of wolf ( Canis lupus ) tissues can be used to estimate diet and intra‐population diet variability when potential prey have distinct δ 13 C and δ 15 N values. We tested this technique using guard hairs collected from 44 wolves in 12 northwestern Montana packs, summer 2009. We used hierarchical Bayesian stable isotope mixing models to determine diet and scales of diet variation from δ 13 C and δ 15 N of wolves and potential prey, white‐tailed deer ( Odocoileus virginianus ), mule deer ( Odocoileus hemionus ), elk ( Cervus canadensis ), moose ( Alces alces ), snowshoe hare ( Lepus americanus ), and other prey. As a check on SIA results, we conducted a separate diet analysis with temporally matched scats (i.e., collected in summer 2008) from 4 of the same packs. Wolves were centered on the ungulate prey in the isotope mixing space. Both methods revealed differences among pack diets and that wolves may consume moose in greater proportions than predicted by available biomass. Stable isotope analysis, and scat results were not entirely concordant; assumptions related to tissues of use in SIA, hair growth period in wolves, and scat sampling may have contributed to a mismatch between methods. Incorrect fractionation values, insufficient separation of prey in the isotope mixing space, choice of prior information in the Bayesian mixing models, and unexplained factors may have distorted diet estimates. However, the consistently high proportion of moose in pack diets suggests that increased population monitoring would benefit management of moose and wolves. Our results also support suggestions of other researchers that species‐specific fractionation values should be used whenever possible, and that SIA may sometimes only provide indices of use for general groups of prey (e.g., large ungulates). © 2012 The Wildlife Society.
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 | 0,002 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».