Spatial decomposition of predation risk using resource selection functions: an example in a wolf–elk predator–prey system
Notice bibliographique
Résumé
Predation is a fundamental ecological and evolutionary process that varies in space, and the avoidance of predation risk is of central importance in foraging theory. While there has been a recent growth of approaches to spatially model predation risk, these approaches lack an adequate mechanistic framework that can be applied to real landscapes. In this paper we show how predation risk can be decomposed into encounter and attack stages, and modeled spatially using resource selection functions (RSF) and resource selection probability functions (RSPF). We use this approach to compare the effects of landscape attributes on the relative probability of encounter, the conditional probability of death given encounter, and overall wolf and elk resource selection to test whether predation risk is simply equivalent to location of the predator. We then combine the probability of encounter and conditional probability of death into a spatially explicit function of predation risk following Lima and Dill's reformulation of Holling's functional response. We illustrate this approach in a wolf–elk system in and adjacent to Banff National Park, Alberta, Canada. In this system we found that the odds of elk being encountered by wolves was 1.3 times higher in pine forest and 4.1 times less in grasslands than other habitats. The relative odds of being killed in pine forests, given an encounter, increased by 1.2. Other habitats, such as grasslands, afforded elk reduced odds (4.1 times less) of being encountered and subsequently killed (1.4 times less) by wolves. Our approach illustrates that predation risk is not necessarily equivalent to just where predators are found. We show that landscape attributes can render prey more or less susceptible to predation and effects of landscape features can differ between the encounter and attack stages of predation. We conclude by suggesting applications of our approach to model predator–prey dynamics using spatial predation risk functions in theoretical and applied settings.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».