Inter-population differences in coyote diet and niche width along an urban–suburban–rural gradient
Notice bibliographique
Résumé
Abstract Many generalist species thrive in urban environments by supplementing their diets with anthropogenic food, which creates numerous challenges for managing urban wildlife. Management could be advanced with more information on how spatial and temporal variation in habitat use by urban animals predicts variation in their dietary ecology. In this study, we used stable isotope analysis complemented with GPS collar location data to determine how diet composition and the dietary niche of coyotes (Canis latrans) varied across a sample of 169 individuals collected along an urban-to-rural gradient in Alberta, Canada. We further categorized urban individuals as either matrix (frequent use of developed areas) or greenspace (use of natural areas) via GPS locations. Matrix coyotes were isotopically distinct from all other coyote populations: they had the largest dietary niche, exhibited the most among-individual variation in diet, consumed the most anthropogenic food and fruit, and consumed the least amount of prey. Greenspace coyotes consumed more anthropogenic food than rural and suburban coyotes but otherwise exhibited similar niche width, among-individual heterogeneity, and prey consumption. We further tested for seasonal dietary variation and found that urban coyotes had a larger dietary niche during the summer, when they also consumed more anthropogenic food. Our conclusions were robust to our choice of mixing model parameters, including discrimination factors, suggesting that these methodological choices have limited effect when discerning relative trends among populations. Overall, our results suggest that management of urban coyotes should target the food sources accessible to coyotes in the urban matrix to reduce human–coyote conflict.
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) | 0,001 | 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 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 ».