Understanding environmental patterns of canid predation on white-tailed deer (<i>Odocoileus virginianus</i>)
Notice bibliographique
Résumé
The outcome of encounters between predators and prey affects predation rates and ultimately population dynamics. Determining how environmental features influence predation rates helps guide conservation and management efforts. We studied where gray wolves (Canis lupus Linnaeus, 1758) and coyotes (Canis latrans Say, 1823) killed white-tailed deer (Odocoileus virginianus (Zimmermann, 1780)) in northern Wisconsin, USA. We monitored 499 white-tailed deer for cause-specific mortality between 2011 and 2014 using VHF radio collars. We investigated the locations of 125 deer mortalities and determined that 63 were canid (wolf or coyote) kill sites. We analyzed spatial patterns of kill sites using resource selection functions in a model selection framework, incorporating environmental variables including vegetative cover, human development, snow depth, and water. We found no evidence that vegetative cover or human development affected predation risk; however, we did find that increasing snow depth resulted in increased relative predation risk. This finding is consistent with existing research on the influence of snow cover on white-tailed deer survival. Our results suggest that understanding the spatial and temporal patterns of white-tailed deer predation requires a better understanding of snow depth variation in space and time. As climate change scenarios predict changes in snowfall throughout the northern hemisphere, understanding the effect on predator–prey spatial dynamics will be important for management and conservation efforts.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».