Predator–prey landscapes of large sharks and game fishes in the Florida Keys
Notice bibliographique
Résumé
Interspecific interactions can play an essential role in shaping wildlife populations and communities. To date, assessments of interspecific interactions, and more specifically predator-prey dynamics, in aquatic systems over broad spatial and temporal scales (i.e., hundreds of kilometers and multiple years) are rare due to constraints on our abilities to measure effectively at those scales. We applied new methods to identify space-use overlap and potential predation risk to Atlantic tarpon (Megalops atlanticus) and permit (Trachinotus falcatus) from two known predators, great hammerhead (Sphyrna mokarran) and bull (Carcharhinus leucas) sharks, over a 3-year period using acoustic telemetry in the coastal region of the Florida Keys (USA). By examining spatiotemporal overlap, as well as the timing and order of arrival at specific locations compared to random chance, we show that potential predation risk from great hammerhead and bull sharks to Atlantic tarpon and permit are heterogeneous across the Florida Keys. Additionally, we find that predator encounter rates with these game fishes are elevated at specific locations and times, including a prespawning aggregation site in the case of Atlantic tarpon. Further, using machine learning algorithms, we identify environmental variability in overlap between predators and their potential prey, including location, habitat, time of year, lunar cycle, depth, and water temperature. These predator-prey landscapes provide insights into fundamental ecosystem function and biological conservation, especially in the context of emerging fishery-related depredation issues in coastal marine ecosystems.
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 | 0,000 |
| 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) | 0,006 | 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 ».