Nest predation in forest birds: influence of predator type and predator's habitat quality
Notice bibliographique
Résumé
We used the introduction of a generalist nest predator, the red squirrel Tamiasciurus hudsonicus, and of a large herbivore, the Sitka black‐tailed deer Odocoileus hemionus sitkensis, to the islands of Haida Gwaii (Queen Charlotte Islands, British Columbia, Canada) to study how predator assemblage and habitat quality and structure influenced nest predation in forest birds. We compared losses of natural nests to predators on islands with and without squirrels. We selected nine islands with or without squirrel or deer and used 506 artificial nests put on the ground or in shrubs to further analyse variation of nest predation with predator assemblage and habitat quality for the predators. For both natural and artificial nests predation risk was higher in presence of squirrels. But predation risk varied within island categories. In presence of squirrels it was highest in stands with mature conifers where it fluctuated from year to year, in response to fluctuations in squirrel abundance. Vegetation cover around the nest had little effect on nest predation by squirrels. Where squirrels were absent, nest predation concentrated near predictable food sources for corvids, the main native predators, and increased with decreasing vegetation cover, suggesting that removal of the vegetation by deer increased the risk of predation by native avian nest predators that use visual cues. Predation risk in these forests therefore varies in space and time with predator composition and with quality of the habitat from the predators’ perspective. This temporal and spatial variation in predation risk should promote trade‐offs in the response of birds to nest predation, rather than fine‐tuned adaptations to a given predation pattern.
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 ».