Using the functional response of a consumer to predict biotic resistance to invasive prey
Notice bibliographique
Résumé
Predators sometimes provide biotic resistance against invasions by nonnative prey. Understanding and predicting the strength of biotic resistance remains a key challenge in invasion biology. A predator's functional response to nonnative prey may predict whether a predator can provide biotic resistance against nonnative prey at different prey densities. Surprisingly, functional responses have not been used to make quantitative predictions about biotic resistance. We parameterized the functional response of signal crayfish (Pacifastacus leniusculus) to invasive New Zealand mud snails (Potamopyrgus antipodarum; NZMS) and used this functional response and a simple model of NZMS population growth to predict the probability of biotic resistance at different predator and prey densities. Signal crayfish were effective predators of NZMS, consuming more than 900 NZMS per predator in a 12-h period, and Bayesian model fitting indicated their consumption rate followed a type 3 functional response to NZMS density. Based on this functional response and associated parameter uncertainty, we predict that NZMS will be able to invade new systems at low crayfish densities (< 0.2 crayfish/m2) regardless of NZMS density. At intermediate to high crayfish densities (> 0.2 crayfish/m2), we predict that low densities of NZMS will be able to establish in new communities; however, once NZMS reach a threshold density of -2000 NZMS/m2, predation by crayfish will drive negative NZMS population growth. Further, at very high densities, NZMS overwhelm predation by crayfish and invade. Thus, interacting thresholds of propagule pressure and predator densities define the probability of biotic resistance. Quantifying the shape and uncertainty of predator functional responses to nonnative prey may help predict the outcomes of invasions.
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) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».