Temporal and multi-spatial environmental drivers of duck nest survival
Notice bibliographique
Résumé
Nest survival is determined in part by a combination of large-scale environmental factors and local nest-site characteristics. Because predation is the primary cause of nest failure, those drivers likely operate by influencing predator abundance, behavior, and/or nest detectability. For example, fluctuations in landscape productivity have the potential to alter predator and prey abundance, whereas nest vegetation and patterns of nest spacing may influence predator behavior. We used 8 yr of site-specific environmental data coupled with data collected from 11,547 duck nests to evaluate the relative importance of large-scale and local factors on nest survival. We found that higher values of gross primary productivity, basins, and pond counts were associated with higher nest survival in a given year, but were associated with lower nest survival the following 2 yr. Taken in combination with the literature, our interpretation is that productive environmental conditions can result in time-lagged increases in predator abundance, leading to higher levels of nest predation in subsequent years. Local factors were generally less important than large-scale covariates in determining duck nest survival, but we found that nests laid earlier, in thicker vegetation, and with closer nearest neighbors had higher survival rates. However, as the season progressed, nests with closer nearest neighbors had lower survival rates (significant initiation date*distance interaction), suggesting predators may eventually aggregate in areas of higher nest density. Our results highlight the importance of both large-scale and local factors as they affect duck nest survival, and suggest several hypotheses about predator numerical and aggregative responses that are ripe for empirical testing.
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 | 0,001 |
| 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) | 0,003 | 0,001 |
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 ».