How depth alters detection and capture of buried prey: exploitation of sea turtle eggs by mongooses
Notice bibliographique
Résumé
Predators are an important source of mortality for animals that lay their eggs in buried nests. We asked how depth alters the process of predation for buried prey. We outlined a general model of predation risk where depth may alter both prey detection and subsequent capture: deeper prey are detected less often because the strength of olfactory cues decreases with burial depth and, once detected, are further protected by the costs of digging. Using this framework, we examined how burial depth influenced egg predation for critically endangered hawksbill sea turtles (Eretmochelys imbricata) by introduced mongooses (Herpestes javanicus) in Barbados. We tested the effects of nest depth on detection and subsequent predation using observational data on hawksbill nests over a 2-year period and an experiment with artificial nests. For both real and artificial nests, depth had little effect on nest detection by mongooses, but once detected, shallower nests were much more likely to be preyed on. Mongooses appear to use depth-invariant surface cues to detect nests but increase digging persistence in response to olfactory cues. We argue that excavation cost is an important but overlooked mechanism protecting deeply buried resources. For reptiles with buried nests, the relationship between depth and predation risk leads to important predictions about how changes to nesting habitat or the predator community will affect egg survival and offspring sex ratio. More generally, identifying the mechanisms by which burial depth protects prey is essential for understanding how resource burial strategies evolved and are maintained in predator–prey systems.
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 ».