Changes in waterfowl movement behavior in response to hunting pressure
Notice bibliographique
Résumé
BACKGROUND: Anthropogenic activity can modify how wildlife perceives risks and rewards across the landscape (the 'Landscape of Fear') and affect animal movement and behavior. Studying movement patterns allows researchers to infer anti-predator behaviors and their drivers that affect survival. We studied a game species, the Canada goose (Branta canadensis), to understand how hunting affects prey movement and in turn guide management decisions to maximize species abundance and hunting. METHODS: We used GPS receivers to track the movements of geese at two study sites in Pennsylvania during two hunting seasons. The hunting season in this system includes two distinct periods (hunting periods) in which hunting is permitted on alternating days (hunting days). We fitted hidden Markov models to analyze individual movement at three spatiotemporal scales and estimated how various environmental factors, such as habitat and hunting pressure, influenced the transition probabilities between behavioral states. RESULTS: We found that geese were less likely to take flight during hunting periods and on hunting days, and that geese were more likely to transition to a low ambulation state on hunting days. Overall, we found that resident Canada geese employed two nested anti-predator behaviors: individuals proactively decreased their movement during hunting, but as they neared the threat, they were more likely to take flight. CONCLUSIONS: Our study provides further evidence that animals maintain a landscape of fear and a schedule of fear. We observed decreased movement during the hunting season and hypothesize that this was due to the stationary nature of risk (hunting blinds). Based on our results, we hypothesize that goose movement may be increased during hunting with an unpredictable spatial-temporal distribution of risk.
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 | 0,000 |
| 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) | 0,000 | 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 ».