Territoriality and home‐range dynamics in meerkats, <i><scp>S</scp>uricata suricatta</i>: a mechanistic modelling approach
Notice bibliographique
Résumé
Multiple approaches exist to model patterns of space use across species, among them resource selection analysis, statistical home-range modelling and mechanistic movement modelling. Mechanistic home-range models combine the benefits of these approaches, describing emergent territorial patterns based on fine-scale individual- or group-movement rules and incorporating interactions with neighbours and the environment. These models have not, to date, been extended to dynamic contexts. Using mechanistic home-range models, we explore meerkat (Suricata suricatta) territorial patterns, considering scent marking, direct group interactions and habitat selection. We also extend the models to accommodate dynamic aspects of meerkat territoriality (territory development and territory shift). We fit models, representing multiple working hypotheses, to data from a long-term meerkat study in South Africa, and we compare models using Akaike's and Bayesian Information Criteria. Our results identify important features of meerkat territorial patterns. Notably, larger groups do not seem to control larger territories, and groups apparently prefer dune edges along a dry river bed. Our model extensions capture instances in which 1) a newly formed group interacts more strongly with its parent groups over time and 2) a group moves its territory core out of aversive habitat. This extends our mechanistic modelling framework in previously unexplored directions.
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 | 0,001 | 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 ».