Wolf (<i>Canis lupus</i>) Winter Density and Territory Size in a Low Biomass Moose (<i>Alces alces</i>) System
Notice bibliographique
Résumé
We investigated the winter density and territory size of wolves (Canis lupus) on the Yukon Flats, Alaska, where moose (Alces alces) was the sole ungulate prey, occurring at a low density and representing a biomass of ungulate food lower than previously studied in North America. Using locations (GPS coordinates) from collars deployed on seven wolves, we estimated territory sizes with adaptive kernel and minimum convex polygon methods. We then estimated wolf density from a population area defined by these territory sizes and counts of wolves in five marked packs. From November 2009 to April 2010, we obtained 6263 GPS locations. Pack size ranged from two to 10 wolves, with average size of 5.0 in November 2009 and 4.8 in March 2010. Average winter territory size for five packs was 1433 km2 with the 95% adaptive kernel method and 1608 km2 with the minimum convex polygon method. Density (wolves/1000 km2) was 3.6 in November and 3.4 in March with the 95% adaptive kernel method and 3.4 in both November and March with the minimum convex polygon method. Territories were large and estimates produced by the two methods differed by 11%. Densities were low, and the two analysis methods yielded densities that differed from each other by 3% to 6%. Low wolf density corresponded with low biomass of ungulate food, suggesting that moose availability on the Yukon Flats likely limited wolf density.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».