Effects of predation risk on elk (<i>Cervus</i> <i>elaphus</i>) landscape use in a wolf (<i>Canis</i> <i>lupus</i>) dominated system
Notice bibliographique
Résumé
Food acquisition and predation avoidance are key drivers of herbivore behaviour. We investigated the interaction of top-down (predator) and bottom-up (food, fire, thermal) effects by measuring the relationship between wolf (Canis lupus L., 1758) predation risk perceived by elk (Cervus elaphus L., 1758) and elk landscape use. We conducted fecal pellet and wolf scat surveys in three valleys with three wolf population levels (Saint Mary: low; Waterton: moderate; North Fork: high). In the North Fork, 90% of quaking aspen (Populus tremuloides Michx.) stands burned recently; the other valleys had no fire. We created predictive models of elk pellet density that incorporated bottom-up and top-down variables. All valleys had a high elk pellet density (≥10 per 100 m2). Wolf scat density was similar where there was no fire, but one order of magnitude greater in burned areas. Elk pellet density was lower in the North Fork, a predation-related response. In all valleys, site-specific elk density declined as impediments to detecting or escaping wolves increased, and elk avoided aspen, except for North Fork unburned areas. Models that best predicted elk density contained bottom-up and top-down effects. At local scales, high predation risk negatively influence elk occurrence, suggesting that even with minimal wolf exposure elk avoid risky sites.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».