Landscape of fear or landscape of food? Moose hunting triggers an antipredator response in brown bears
Notice bibliographique
Résumé
Hunters can affect the behavior of wildlife by inducing a landscape of fear, selecting individuals with specific traits, or altering resource availability across the landscape. Most research investigating the influence of hunting on wildlife resource selection has focused on target species and less attention has been devoted to nontarget species, such as scavengers that can be both attracted or repelled by hunting activities. We used resource selection functions to identify areas where hunters were most likely to kill moose (Alces alces) in south-central Sweden during the fall. Then, we used step-selection functions to determine whether female brown bears (Ursus arctos) selected or avoided these areas and specific resources during the moose hunting season. We found that, during both day and nighttime, female brown bears avoided areas where hunters were more likely to kill moose. We found evidence that resource selection by brown bears varied substantially during the fall and that some behavioral changes were consistent with disturbance associated with moose hunters. Brown bears were more likely to select concealed locations in young (i.e., regenerating) and coniferous forests and areas further away from roads during the moose hunting season. Our results suggest that brown bears react to both spatial and temporal variations in apparent risk during the fall: moose hunters create a landscape of fear and trigger an antipredator response in a large carnivore even if bears are not specifically targeted during the moose hunting season. Such antipredator responses might lead to indirect habitat loss and lower foraging efficiency and the resulting consequences should be considered when planning hunting seasons.
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 | 0,001 |
| 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) | 0,002 | 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 ».