MétaCan
Menu
Retour à la cohorte
Enregistrement W4285736771 · doi:10.1002/ece3.9108

Behavioral “bycatch” from camera trap surveys yields insights on prey responses to human‐mediated predation risk

2022· article· en· W4285736771 sur OpenAlexafffund
A. Cole Burton, Christopher Beirne, Catherine Sun, Alys Granados, Michael Procko, Cheng Chen, Mitchell Fennell, Alexia Constantinou, Chris Colton, Katie Tjaden‐McClement, Jason T. Fisher, Joanna M. Burgar

Notice bibliographique

RevueEcology and Evolution · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensUniversity of VictoriaUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of British ColumbiaMitacsCanada Research ChairsInnotech AlbertaPetroleum Technology Alliance CanadaAlberta Environment and ParksAlberta Conservation Association
Mots-clésCamera trapPredationBycatchTrap (plumbing)EcologyBiologyFisheryGeographyFish <Actinopterygii>Habitat

Résumé

récupéré en direct d'OpenAlex

Abstract Human disturbance directly affects animal populations and communities, but indirect effects of disturbance on species behaviors are less well understood. For instance, disturbance may alter predator activity and cause knock‐on effects to predator‐sensitive foraging in prey. Camera traps provide an emerging opportunity to investigate such disturbance‐mediated impacts to animal behaviors across multiple scales. We used camera trap data to test predictions about predator‐sensitive behavior in three ungulate species (caribou Rangifer tarandus; white‐tailed deer, Odocoileus virginianus; moose, Alces alces) across two western boreal forest landscapes varying in disturbance. We quantified behavior as the number of camera trap photos per detection event and tested its relationship to inferred human‐mediated predation risk between a landscape with greater industrial disturbance and predator activity and a “control” landscape with lower human and predator activity. We also assessed the finer‐scale influence on behavior of variation in predation risk (relative to habitat variation) across camera sites within the more disturbed landscape. We predicted that animals in areas with greater predation risk (e.g., more wolf activity, less cover) would travel faster past cameras and generate fewer photos per detection event, while animals in areas with less predation risk would linger (rest, forage, investigate), generating more photos per event. Our predictions were supported at the landscape‐level, as caribou and moose had more photos per event in the control landscape where disturbance‐mediated predation risk was lower. At a finer‐scale within the disturbed landscape, no prey species showed a significant behavioral response to wolf activity, but the number of photos per event decreased for white‐tailed deer with increasing line of sight (m) along seismic lines (i.e., decreasing visual cover), consistent with a predator‐sensitive response. The presence of juveniles was associated with shorter behavioral events for caribou and moose, suggesting greater predator sensitivity for females with calves. Only moose demonstrated a positive behavioral association (i.e., longer events) with vegetation productivity (16‐day NDVI), suggesting that for other species bottom‐up influences of forage availability were generally weaker than top‐down influences from predation risk. Behavioral insights can be gleaned from camera trap surveys and provide complementary information about animal responses to predation risk, and thus about the indirect impacts of human disturbances on predator–prey 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,246
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEcology and EvolutionMême sujetWildlife Ecology and ConservationTravaux en français237 207