Effect of Season and High Ambient Temperature on Activity Levels and Patterns of Grizzly Bears (Ursus arctos)
Notice bibliographique
Résumé
Understanding factors that influence daily and annual activity patterns of a species provides insights to challenges facing individuals, particularly when climate shifts, and thus is important in conservation. Using GPS collars with dual-axis motion sensors that recorded the number of switches every 5 minutes we tested the hypotheses: 1. Grizzly bears (Ursus arctos) increase daily activity levels and active bout lengths when they forage on berries, the major high-energy food in this ecosystem, and 2. Grizzly bears become less active and more nocturnal when ambient temperature exceeds 20°C. We found support for hypothesis 1 with both male and female bears being active from 0.7 to 2.8 h longer in the berry season than in other seasons. Our prediction under hypothesis 2 was not supported. When bears foraged on berries on a dry, open mountainside, there was no relationship between daily maximum temperature (which varied from 20.4 to 40.1°C) and the total amount of time bears were active, and no difference in activity levels during day or night between warm (20.4-27.3°C) and hot (27.9-40.1°C) days. Our results highlight the strong influence that food acquisition has on activity levels and patterns of grizzly bears and is a challenge to the heat dissipation limitation theory.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».