Experimental trials of the northern flying squirrel (Glaucomys sabrinus) traversing managed rainforest landscapes: perceptual range and fine-scale movements
Notice bibliographique
Résumé
Successful dispersal in many species may be a function of the distance at which animals can perceive a particular landscape feature (i.e., perceptual range), as well as energetic costs associated with traversing the distance towards that feature. We used a model, relating perceptual range to body size of mammals, to predict the perceptual range of the northern flying squirrel ( Glaucomys sabrinus (Shaw, 1801)) in fragmented forests of Southeast Alaska. We hypothesized that the perceptual range of flying squirrels would be 325.5–356.5 m in clearcuts and 159.7–174.9 m in second-growth stands. The distance advantage in clearcuts may, however, be lost if the cost of transport in that habitat is higher. Our results suggest that as heuristically predicted by the model, the perceptual range of flying squirrels was greater in clearcut habitats than in second-growth stands. Nonetheless, for both habitats the actual perceptual range was significantly shorter than predicted by the model. We found that precipitation, and associated cloud cover and illumination, and wind speed, which affect olfaction capabilities, influenced orientation success. Although squirrels more often oriented towards the forest edge in clearcuts, they paused more often during their movements, which may lead to higher costs of dispersing through this habitat. The application of the mass-based model to nonagricultural landscapes should be done with caution, and variables such as wind and illumination be measured concurrently. Our data illustrate that dispersing squirrels likely will not venture into managed habitats because logging creates clearcuts larger than the perceptual range of these mammals.
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 | 0,001 |
| 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 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 ».