Le paysage de la peur en milieu agricole: le cas de la Grande Oie des neiges
Bibliographic record
Abstract
Depuis environ 40 ans, l’intensification des pratiques agricoles a grandement transformé le paysage agricole et ce tant, dans les Amériques qu’en Europe. Quoique, plusieurs espèces animales soient affectées négativement par ces changements, certaines espèces en bénéficient. C’est le cas de la Grande Oie des neiges (Chen caerulescens atlantica) qui a vu sa population croître de façon importante et ce, au point de devenir problématique. De fait, la Grande Oie des neiges cause des dommages importants aux cultures du Québec (1 646 229 ± 800 000 par an entre 2009 et 2015) et aux écosystèmes qu’elle utilise lorsqu’elle fait halte dans la vallée du Saint-Laurent, Québec, Canada. Bien que plusieurs actions aient été tentées pour contrôler sa population le problème persiste. La quête alimentaire des animaux est entre autres modulée par les comportements anti-prédateurs, tels que le temps passé en vigilance et une utilisation différentielle des habitats. Ces comportements sont à leur tour affectés par le risque de prédation et la vie en groupe. En effet, le risque de prédation perçu par un individu dépend entre autres (1) de la taille du groupe auquel il appartient ; (2) de la densité et de l’activité des proies et des prédateurs dans l’environnement ; (3) de son niveau de connaissance de l’environnement ; et (4) des caractéristiques du paysage qu’il occupe. Il s’ensuit que le risque de prédation varie dans l’espace et dans le temps. La représentation cartographique de ce risque à un moment donné consiste en un paysage de la peur, où chaque location ou chaque élément d’un paysage se voit associé un risque de prédation. On s’attend donc à ce que la quête alimentaire des individus, tant dans leur utilisation des habitats que dans leur budget d’activité, soit affectée par la structure du paysage de la peur. Par conséquent, on peut se demander si le paysage de la peur peut être utilisé comme outil de gestion d’une espèce, notamment pour la Grande Oie des neiges. Mon objectif est de quantifier comment la perception du risque de prédation par la Grande Oie des neiges varie en fonction de différents éléments des paysages agricoles visités par les oies, mais aussi de quantifier cette variation selon différentes contraintes énergétiques et temporelles durant leurs haltes migratoires. Ceci afin de voir si le paysage de la peur pourrait être utiliser comme outil de gestion. À ce titre, je vise à mesurer l’effet du type de cultures, de la nature de l’élément paysager, de la distance de celui-ci et du niveau de compétition intraspécifique au sein des sites d’alimentation et ce, durant les deux migrations, sur l’utilisation des habitats et le budget d’activité des oies. Je pose que les oies prendront plus de risques si les contraintes temporelles sont fortes, de même que si elles se nourrissent dans une parcelle alimentaire de haute qualité et si elles subissent une plus forte de compétition. Pour ce faire, j’ai parcouru les Basses-Terres-du-Saint-Laurent de Salaberry-de-Valleyfield jusqu’à l’Islet lors des printemps 2014 et 2015 et de l’automne 2014. J’ai ainsi repéré et observé 141 groupes d’oies exploitant des terres agricoles pour lesquels j’ai noté la position des individus dans les champs et mesuré leur taux de vigilance, de même que noté divers facteurs qui pourraient affecter ces deux comportements, dont le type de cultures exploitées et le fait d’être ou non au sein d’une zone où la chasse est permise. Au printemps, le taux de vigilance des oies était, plus élevé dans les cultures de maïs, plus bas si la densité locale d’oies augmentait et plus bas dans les sanctuaires (i.e., en absence de chasse). Alors qu’à l’automne, le taux de vigilance était, plus élevé à proximité d’une route ou d’un fossé et plus élevé en bordure du groupe. Au printemps, la distance aux éléments du paysage potentiellement dangereux était, plus grande face à une bordure de forêt et plus faible face à la route. La distance était plus petite dans les cultures de maïs, plus élevée dans le foin et plus faible dans les sanctuaires. À l’automne, les effets des différents éléments étaient semblables à ceux du printemps. La distance était plus grande si la taille du groupe augmentait et plus petite dans les sanctuaires. De plus, les oies semblaient montrer un évitement des bordures forestières alors que les autres éléments du paysage étudiés ne semblent pas être sélectionnés ou évités. Les oies subissent des contraintes différentes au printemps et à l’automne. Ces contraintes semblent moduler la prise en compte du risque de prédation entre les saisons. En effet, les oies semblent privilégier l’alimentation au détriment de la prise de risques au printemps, une décision probablement liée à la reproduction dont le succès dépend d’une arrivée relativement hâtive sur les aires de nidification arctiques et donc, des réserves énergétiques accumulées sur les haltes migratoires. En opposition, les oies semblent prendre davantage conscience du risque de prédation dans leur quête alimentaire à l’automne, ce qui pourrait être lié au fait qu’elles sont accompagnées de leurs jeunes et à une contrainte énergétique et temporelle plus faible qu’au printemps. En bref, les oies semblent subir les effets de la peur reliée à la chasse. Mes résultats semblent indiquer que le paysage de la peur pourrait être utilisé dans les stratégies de gestion. Par exemple, en instaurant des haies brise-vent dans les secteurs où le risque de dommages agricoles est élevé, le risque de prédation perçu par les oies y serait plus élevé et pourrait ainsi diminuer l’utilisation de ces secteurs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".