Data from: Resource exploitation collapses the home range of an apex predator
Notice bibliographique
Résumé
Optimizing energy acquisition and expenditure is a fundamental trade-off for consumers, strikingly reflected in how mobile organisms use space. Several studies have established that home range size decreases as resource density increases, but the balance of costs and benefits associated with exploiting a given resource density is unclear. We evaluate how the ability of consumers to exploit their resources through movement (termed “resource exploitation”) interacts with resource density to influence home range size. We then contrast two hypotheses to evaluate how resource exploitation influences home range size across a vast gradient of productivity and density of human-created linear features (roads and seismic lines) that are known to facilitate animal movements. Under the Diffusion Facilitation Hypothesis, linear features are predicted to lead to more diffuse space use and larger home ranges. Under the Exploitation Efficiency Hypothesis, linear features are predicted to increase foraging efficiency, resulting in less space being required to meet energetic demands and therefore smaller home ranges. Using GPS telemetry data from 142 wolves (Canis lupus) distributed over more than 500,000 km2, we found that wolf home range size was influenced by the interaction between resource density and exploitation efficiency. Home range size decreased as linear feature density increased, supporting the Exploitation Efficiency Hypothesis. However, the effect of linear features on home range size diminished in more productive areas, suggesting that exploitation efficiency is of greater importance when resource density is low. These results suggest that smaller home ranges will occur where both linear feature density and primary productivity are higher, thereby increasing regional wolf density.
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 | 0,000 | 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 | 0,003 | 0,002 |
| 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 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 ».