An application of upscaled optimal foraging theory using hidden Markov modelling: year-round behavioural variation in a large arctic herbivore
Notice bibliographique
Résumé
Abstract Background In highly seasonal environments, animals face critical decisions regarding time allocation, diet optimisation, and habitat use. In the Arctic, the short summers are crucial for replenishing body reserves, while low food availability and increased energetic demands characterise the long winters (9–10 months). Under such extreme seasonal variability, even small deviations from optimal time allocation can markedly impact individuals’ condition, reproductive success and survival. We investigated which environmental conditions influenced daily, seasonal, and interannual variation in time allocation in high-arctic muskoxen (Ovibos moschatus) and evaluated whether results support qualitative predictions derived from upscaled optimal foraging theory. Methods Using hidden Markov models (HMMs), we inferred behavioural states (foraging, resting, relocating) from hourly positions of GPS-collared females tracked in northeast Greenland (28 muskox-years). To relate behavioural variation to environmental conditions, we considered a wide range of spatially and/or temporally explicit covariates in the HMMs. Results While we found little interannual variation, daily and seasonal time allocation varied markedly. Scheduling of daily activities was distinct throughout the year except for the period of continuous daylight. During summer, muskoxen spent about 69% of time foraging and 19% resting, without environmental constraints on foraging activity. During winter, time spent foraging decreased to 45%, whereas about 43% of time was spent resting, mediated by longer resting bouts than during summer. Conclusions Our results clearly indicate that female muskoxen follow an energy intake maximisation strategy during the arctic summer. During winter, our results were not easily reconcilable with just one dominant foraging strategy. The overall reduction in activity likely reflects higher time requirements for rumination in response to the reduction of forage quality (supporting an energy intake maximisation strategy). However, deep snow and low temperatures were apparent constraints to winter foraging, hence also suggesting attempts to conserve energy (net energy maximisation strategy). Our approach provides new insights into the year-round behavioural strategies of the largest Arctic herbivore and outlines a practical example of how to approximate qualitative predictions of upscaled optimal foraging theory using multi-year GPS tracking data.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».