Time‐to‐kill: measuring attack rates in a heterogenous landscape with multiple prey types
Notice bibliographique
Résumé
Although spatial heterogeneity of prey and landscapes are known to contribute to variation around predator‐prey functional response models, few studies have quantified these effects. We illustrate a new approach using data from winter movement paths of GPS‐collared wolves in the Rocky Mountains of Canada and time‐to‐event models with competing risks for measuring the effect of prey and landscape characteristics on the time‐to‐kill, which is the reciprocal of attack rate (aN) in a Holling's functional response. We evaluated 13 a priori models representing hypothesized mechanisms influencing attack rates in a heterogeneous landscape with two prey types. Models ranged from variants on Holling's disc equation, including search rate and prey density, to a full model including prey density and patchiness, search rates, satiation, and landscape features, which were measured along the wolf's movement path. Movement rates of wolves while searching explained more of the variation in time‐to‐kill than prey densities. Wolves did not compensate for low prey density by increasing movement rates and there was little evidence that spatial aggregation of prey influenced attack rates in this multi‐prey system. The top model for predicting time‐to‐kill included only search rate and landscape features. Wolves killed prey more quickly in flat terrain, likely due to increased vulnerability from accumulated snow, whereas attack rates were lower when wolves hunted near human‐made features presumably due to human disturbance. Understanding the sources of variation in attack rates provides refinements to functional response models that can lead to more effective predator–prey management in human‐dominated landscapes.
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) | 0,003 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».