Mule deer fawn recruitment dynamics in an energy disturbed landscape
Notice bibliographique
Résumé
Wildlife population dynamics are modulated by abiotic and biotic factors, typically climate, resource availability, density-dependent effects, and predator-prey interactions. Understanding if human-caused disturbances shape these processes is needed for the conservation and management of ecological communtiies within increasingly human-dominated landscapes. Garnering this understanding is difficult due to lack of long-term longitudinal data on wildlife populations, human-mediated disturbances, climate and predator density on ungulate population dynamics has been under-studied. Using a 50-year time series (1962-2012) on mule deer (Odocoileus hemionus) demographics, seasonal weather, predator density, oil and gas development patterns from the North Dakota Badlands to investigate long-term effects of landscape-level disturbance. We aimed to evaluate if harsh weather conditions in-combination with energy development and predators affected fall mule deer recruitment. We found that density-dependent effects and harsh seasonal weather primarily drove recruitment in the North Dakota Badlands. Recruitment was further shaped by interacting effects of harsh seasonal weather and predator presence in the form of high coyote density. Additionally, we found that fall recruitment was subtly modulated by interactions between seasonal weather and energy development (i.e., lower recruitment when harsher weather was combined with higher density of active oil and gas wells), and that the combined effect of predator density and energy development was not interactive but rather additive. Our analysis demonstrates the effect of energy development by modulating mule deer recruitment fluctuations concurrent with main recruitment drivers being biotic (density-dependency, habitat, predation) and abiotic (harsh seasonal weather, woody vegetation encroachment). A pattern emerges of density dependence, presumably due to limited quality habitat, being the primary factor influencing fall fawn recruitment in mule deer. Secondarily, stochastic weather events periodically cause dramatic declines in recruitment. Finally, the interactions between human disturbance and predation can be additive to the aforementioned drivers of recruitment and subsequently cause further declines.
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 | 0,000 | 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 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 ».