MétaCan
Menu
Retour à la cohorte
Enregistrement W2607595967 · doi:10.1002/ecs2.1783

Landscape‐level wolf space use is correlated with prey abundance, ease of mobility, and the distribution of prey habitat

2017· article· en· W2607595967 sur OpenAlexafffundabout
Andrew M. Kittle, Morgan Anderson, Tal Avgar, James Α. Baker, Glen S. Brown, Jevon Hagens, Ed Iwachewski, Scott Moffatt, Anna Mosser, Brent R. Patterson, Douglas E.B. Reid, Arthur Rodgers, Jen Shuter, Garrett M. Street, Ian D. Thompson, Lucas M. Vander Vennen, John M. Fryxell

Notice bibliographique

RevueEcosphere · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensCanadian Forest ServiceMinistry of Energy, Northern Development and MinesOntario Forest Research InstituteMinistry of Natural Resources and ForestryTrent UniversityUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMinistry of Natural Resources
Mots-clésPredationForagingEcologyPredatorAbundance (ecology)HabitatTaigaPopulationPopulation densityForageDensity dependenceBiologyGeographyDemography

Résumé

récupéré en direct d'OpenAlex

Abstract Predator space use influences ecosystem dynamics, and a fundamental goal assumed for a foraging predator is to maximize encounter rate with prey. This can be achieved by disproportionately utilizing areas of high prey density or, where prey are mobile and therefore spatially unpredictable, utilizing patches of their prey's preferred resources. A third, potentially complementary strategy is to increase mobility by using linear features like roads and/or frozen waterways. Here, we used novel population‐level predator utilization distributions (termed “localized density distributions”) in a single‐predator (wolf), two‐prey (moose and caribou) system to evaluate these space‐use hypotheses. The study was conducted in contrasting sections of a large boreal forest area in northern Ontario, Canada, with a spatial gradient of human disturbances and predator and prey densities. Our results indicated that wolves consistently used forest stands preferred by moose, their main prey species in this part of Ontario. Direct use of prey‐rich areas was also significant but restricted to where there was a high local density of moose, whereas use of linear features was pronounced where local moose density was lower. These behaviors suggest that wolf foraging decisions, while consistently influenced by spatially anchored patches of prey forage resources, were also determined by local ecological conditions, specifically prey density. Wolves appeared to utilize prey‐rich areas when regional preferred prey density exceeded a threshold that made this profitable, whereas they disproportionately used linear features that promoted mobility when low prey density made directly tracking prey distribution unprofitable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,130
Score d'incertitude au seuil0,258

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,209
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations91
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueEcosphereMême sujetWildlife Ecology and ConservationTravaux en français237 207