Linking the green and brown worlds: the prevalence and effect of multichannel feeding in food webs
Notice bibliographique
Résumé
Recent advances in food‐web ecology highlight that most real food webs (1) represent an interplay between producer‐ and detritus‐based webs and (2) are governed by consumers which are rampant omnivores; feeding on varied prey across trophic levels and resource channels. A possible avenue to unify these advances comes from models demonstrating that predators feeding on distinctly different channels may stabilize food webs. Empirical studies suggest many consumers engage in such behavior by feeding on prey items from both living‐autotroph (green) and detritus‐based (brown) webs, what we term “multichannel feeding,” yet we know little about how common such feeding is across systems and trophic levels, or its effect on system stability. Considering 23 empirical webs, we find that multichannel feeding is equally common across terrestrial, freshwater, and marine systems, with >50% of consumers classified as multichannel consumers. Multichannel feeding occurred most often at the first consumer level, indicating that most taxa at the herbivore/detritivore level are more aptly described as multichannel consumers, and that such feeding is not restricted to predators. We next developed a simple four‐compartment nutrient cycling model for consumers eating both autotrophs and detritus with separate parameter sets to represent aquatic vs. terrestrial ecosystems. Modeling results showed that, across terrestrial and aquatic ecosystems, multichannel feeding is stabilizing at low attack rates on autotrophs or when attack rates are asymmetric (moderate on autotrophs while low on detritus), but destabilizing at high attack rates on autotrophs, compared to herbivory‐ or detritivory‐only models. The set of conditions with stable webs with multichannel consumers is narrower, however, for aquatic systems, suggesting that multichannel feeding may generally be more stabilizing in terrestrial systems. Together, our results demonstrate that multichannel feeding is common across ecosystems and may be a stabilizing force in real webs that have consumers with low or asymmetric attack rates.
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 ».