Estimating the costs of locomotion in snow for coyotes
Notice bibliographique
Résumé
Carnivores living in areas of deep snow face additional energy expenditures during winter owing to increased locomotory costs. Such costs may vary in function of snow depth and hardness (sinking depth of animal) and travel speed. We estimated energetic costs of locomotion through snow in wild coyotes (Canis latrans) using three coyote-sized domestic dogs (Canis familiaris) to develop regression models predicting heart rate (as surrogate for energy expenditure) in relation to sinking depth and travel speed. In the absence of snow, heart rates of dogs increased linearly with travel speed (R 2 = 0.24), whereas when snow was present, track sinking depth affected heart rate substantially more than did travel speed. To assess whether our results with domestic dogs could help explain the behaviour of wild coyotes, we snow-tracked coyotes in southeastern Quebec, Canada, during two winters. During a normal harsh winter, coyotes relied on artificially packed snow (snowmobile and animal trails) more than during a mild winter. Coyotes typically exerted a fine-scale selection for snow depth and hardness that effectively reduced their sinking depth by ~2 cm. We estimated that travelling over snow increased coyote heart rate by 4%–6% in comparison with locomotion on hard surfaces, whereas fine-scale selection saved a similar amount of extra energy. We hypothesize that the use of snow packed by anthropogenic activities, especially snowmobile trails, may not only facilitate coyote movements in deep snow environments but also allow occupation of marginal habitats such as forested areas of northeastern North America.
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 | 0,001 |
| 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) | 0,000 | 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 ».