MétaCan
Menu
Retour à la cohorte
Enregistrement W4366549628 · doi:10.1002/ece3.9976

Mule deer fawn recruitment dynamics in an energy disturbed landscape

2023· article· en· W4366549628 sur OpenAlexaff
Kilian J. Murphy, David R. Roberts, William F. Jensen, Scott E. Nielsen, Sandra K. Johnson, Brian M. Hosek, Bruce A. Stillings, Jesse L. Kolar, Mark S. Boyce, Simone Ciuti

Notice bibliographique

RevueEcology and Evolution · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensPetro Geotech (Canada)University of AlbertaGovernment of AlbertaMinistry of Environment
Organismes subventionnairesnon disponible
Mots-clésOdocoileusWildlifePredatorEcologyDisturbance (geology)PredationHabitatAbiotic componentPopulationBiologyPopulation densityGeographyDemography

Résumé

récupéré en direct d'OpenAlex

Abstract Wildlife population dynamics are modulated by abiotic and biotic factors, typically climate, resource availability, density‐dependent effects, and predator–prey interactions. Understanding whether and how human‐caused disturbances shape these ecological processes is helpful for the conservation and management of wildlife and their habitats within increasingly human‐dominated landscapes. However, many jurisdictions lack either long‐term longitudinal data on wildlife populations or measures of the interplay between human‐mediated disturbance, climate, and predator density. Here, we use a 50‐year time series (1962–2012) on mule deer ( Odocoileus hemionus ) demographics, seasonal weather, predator density, and oil and gas development patterns from the North Dakota Badlands, USA, to investigate long‐term effects of landscape‐level disturbance on mule deer fawn fall recruitment, which has declined precipitously over the last number of decades. Mule deer fawn fall recruitment in this study represents the number of fawns per female (fawn:female ratio) that survive through the summer to October. We used this fawn recruitment index to evaluate the composite effects of interannual extreme weather conditions, energy development, and predator density. We found that density‐dependent effects and harsh seasonal weather were the main drivers of fawn fall recruitment in the North Dakota Badlands. These effects were further shaped by the interaction between harsh seasonal weather and predator density (i.e., lower fawn fall recruitment when harsh weather was combined with higher predator density). Additionally, we found that fawn fall recruitment was modulated by interactions between seasonal weather and energy development (i.e., lower fawn fall recruitment when harsh weather was combined with higher density of active oil and gas wells). Interestingly, we found that the combined effect of predator density and energy development was not interactive but rather additive. Our analysis demonstrates how energy development may modulate fluctuations in mule deer fawn fall recruitment concurrent with biotic (density‐dependency, habitat, predation, woody vegetation encroachment) and abiotic (harsh seasonal weather) drivers. Density‐dependent patterns emerge, 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. And finally, the additive effects of human disturbance and predation can induce fluctuations in fawn fall recruitment. Here we make the case for using long‐term datasets for setting long‐term wildlife management goals that decision makers and the public can understand and support.

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 enseignants0,008
Score d'incertitude au seuil0,016

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 Opus0,016
Tête enseignante GPT0,235
Écart entre enseignants0,219 · 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

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEcology and EvolutionMême sujetWildlife Ecology and ConservationTravaux en français237 207