MétaCan
Menu
Retour à la cohorte
Enregistrement W2889665496 · doi:10.1139/as-2018-0008

Snow physical properties may be a significant determinant of lemming population dynamics in the high Arctic

2018· article· en· W2889665496 sur OpenAlexaffvenueabout
Florent Dominé, Gilles Gauthier, Vincent Vionnet, Dominique Fauteux, Marie Dumont, Mathieu Barrere

Notice bibliographique

RevueArctic Science · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAnimal Ecology and Behavior Studies
Établissements canadiensUniversité LavalCenter for Northern Studies
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésSnowArcticTundraPopulationSnowpackPopulation cycleSnowmeltBorealEcologyClimate changeArctic vegetationEnvironmental scienceClimatologyPredationGeographyBiologyDemographyMeteorologyGeology

Résumé

récupéré en direct d'OpenAlex

Cyclic population fluctuations are common in boreal and Arctic species but the causes of these cycles are still debated today. Among these species, lemmings are Arctic rodents that live and reproduce under the snow and whose large cyclical population fluctuations in the high Arctic impact the whole tundra food web. We explore, using lemming population data and snow modeling, whether the hardness of the basal layer of the snowpack, determined by rain-on-snow events (ROS) and wind storms in autumn, can affect brown lemming population dynamics in the Canadian high Arctic. Using a 7-year dataset collected on Bylot Island, Nunavut, Canada over the period 2003–2014, we demonstrate that liquid water input to snow is strongly inversely related with winter population growth (R2 ≥ 0.62) and to a lesser extent to lemming summer densities and winter nest densities (R2 = 0.29–0.39). ROS in autumn can therefore influence the amplitude of brown lemming population fluctuations. Increase in ROS events with climate warming should strongly impact the populations of lemmings and consequently those of the many predators that depend upon them. Snow conditions may be a key factor influencing the cyclic dynamics of Arctic animal populations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,356
Score d'incertitude au seuil0,709

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,275
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations75
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueArctic ScienceMême sujetAnimal Ecology and Behavior StudiesTravaux en français237 207