TDF<sub>CAM</sub>: A method for estimating stable isotope trophic discrimination in wild populations
Notice bibliographique
Résumé
Abstract Stable isotope mixing models (SIMMs) are widely used for characterizing wild animal diets. Such models rely upon using accurate trophic discrimination factors (TDFs) to account for the digestion, incorporation, and assimilation of food. Existing methods to calculate TDFs rely on controlled feeding trials that are time‐consuming, often impractical for the study taxon, and may not reflect natural variability of TDFs present in wild populations. We present TDFCAM as an alternative approach to estimating TDFs in wild populations, by using high‐precision diet estimates from a secondary methodological source—in this case nest cameras—in lieu of controlled feeding trials, and provide a framework for how and when it should be applied. In this study, we evaluate the TDFCAM approach in three datasets gathered on wild raptor nestlings (gyrfalcons Falco rusticolus; peregrine falcons Falco perigrinus; common buzzards Buteo buteo) comprising contemporaneous δ13C & δ15N stable isotope data and high‐quality nest camera dietary data. We formulate Bayesian SIMMs (BSIMMs) incorporating TDFs from TDFCAM and analyze their agreement with nest camera data, comparing model performance with those based on other relevant TDFs. Additionally, we perform sensitivity analyses to characterize TDFCAM variability, and identify ecological and physiological factors contributing to that variability in wild populations. Across species and tissue types, BSIMMs incorporating a TDFCAM outperformed any other TDF tested, producing reliable population‐level estimates of diet composition. We demonstrate that applying this approach even with a relatively low sample size (n < 10 individuals) produced more accurate estimates of trophic discrimination than a controlled feeding study conducted on the same species. Between‐individual variability in TDFCAM estimates for ∆13C & ∆15 N increased with analytical imprecision in the source dietary data (nest cameras) but was also explained by natural variables in the study population (e.g., nestling nutritional/growth status and dietary composition). TDFCAM is an effective method of estimating trophic discrimination in wild animal populations. Here, we use nest cameras as source dietary data, but this approach is applicable to any high‐accuracy method of measuring diet, so long as diet can be monitored over an interval contemporaneous with a tissue's isotopic turnover rate.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».