Scales of selection and perception: landscape heterogeneity of an important food resource influences habitat use by a large omnivore
Notice bibliographique
Résumé
Variation in food abundance and distribution influences animal foraging behavior, but response is contingent on the amount of resource heterogeneity detected, which is consistent with environmental ‘grain’ size. Large mammals presumably perceive their surroundings at broad spatial scales, but the importance of landscape‐level food resource properties for habitat use is generally less understood. We evaluated the role of heterogeneity of Canada buffaloberry Shepherdia canadensis, defined by fruit distribution and variability in patch quality (fruit density), in grizzly bear Ursus arctos habitat selection by comparing patch‐ and landscape‐level foraging strategies (resource use). Our objectives were to: 1) identify the spatial scale at which grizzly bears select buffaloberry fruit resources; 2) determine whether patch‐ or landscape‐level foraging strategies explain resource use; and 3) assess the importance of resource heterogeneity in structuring habitat selection. Buffaloberry patch and landscape variables were combined with GPS radio‐telemetry data from eight collared grizzly bears in west‐central Alberta, Canada, to fit resource selection functions (RSFs). We found that a spatial scale of 1887 m, corresponding to an average travel distance for bears over 5.5 h, was the most supported scale for buffaloberry use. Landscape‐level foraging strategies generally had more support than those of the patch‐level, with spatial heterogeneity of buffaloberry patches best explaining grizzly bear selection for fruit resources. Bears selected for areas with a wider distribution of buffaloberry fruit and greater variability in patch quality, thus providing both a higher probability of shrub encounter and greater contrast between resource patches. A negative interaction between distribution and variability, however, indicated a tradeoff where use of areas with a more widespread fruit distribution decreased when variability in resource quality was high. These results demonstrate the influence of food resource heterogeneity on animal habitat use and emphasize the value in considering spatial scale in studies of animal—resource interactions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».