Snow hardness impacts intranivean locomotion of arctic small mammals
Notice bibliographique
Résumé
Abstract Fossorial locomotion is often considered as the most energetically costly of all terrestrial locomotion. Small arctic rodents, such as lemmings, dig tunnels not only in the soil but also through the snowpack, which is present for over 8 months of the year. Lemmings typically dig in the softest snow layer called the depth hoar but with climate change, melt‐freeze and rain‐on‐snow (ROS) events are expected to increase in the Arctic, leading to a higher frequency of hardened snowpacks. We assessed the impacts of snow hardness on the locomotion of two lemming species showing different morphological adaptations for digging. We hypothesized that an increase in snow hardness would (1) decrease lemming performance and (2) increase their effort while digging, but those responses would differ between lemming species. We exposed four brown lemmings ( Lemmus trimucronatus ) and three collared lemmings ( Dicrostonyx groenlandicus ) to snow of different hardness (soft, hard, and ROS) during 30‐min trials ( n = 63 trials) in a cold room and filmed their behavior. We found that the digging speed and tunnel length of both species decreased with snow hardness and density, underlining the critical role of snow properties in affecting lemming digging performance. During the ROS trials, time spent digging by lemmings increased considerably and they also started using their incisors to help break the hard snow, validating our second hypothesis. Overall, digging performance was higher in collared lemmings, the species showing more morphological adaptations to digging, than in brown lemmings. We conclude that the digging performance of lemming is highly dependent on snowpack hardness and that the anticipated increase in ROS events may pose a critical energetic challenge for arctic rodent 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 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 | 0,000 |
| 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) | 0,027 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».