Critical summer foraging tradeoffs in a subarctic ungulate
Notice bibliographique
Résumé
Abstract Summer diets are crucial for large herbivores in the subarctic and are affected by weather, harassment from insects and a variety of environmental changes linked to climate. Yet, understanding foraging behavior and diet of large herbivores is challenging in the subarctic because of their remote ranges. We used GPS video‐camera collars to observe behaviors and summer diets of the migratory Fortymile Caribou Herd ( Rangifer tarandus granti ) across Alaska, USA and the Yukon, Canada. First, we characterized caribou behavior. Second, we tested if videos could be used to quantify changes in the probability of eating events. Third, we estimated summer diets at the finest taxonomic resolution possible through videos. Finally, we compared summer diet estimates from video collars to microhistological analysis of fecal pellets. We classified 18,134 videos from 30 female caribou over two summers (2018 and 2019). Caribou behaviors included eating (mean = 43.5%), ruminating (25.6%), travelling (14.0%), stationary awake (11.3%) and napping (5.1%). Eating was restricted by insect harassment. We classified forage(s) consumed in 5,549 videos where diet composition (monthly) highlighted a strong tradeoff between lichens and shrubs; shrubs dominated diets in June and July when lichen use declined. We identified 63 species, 70 genus and 33 family groups of summer forages from videos. After adjusting for digestibility, monthly estimates of diet composition were strongly correlated at the scale of the forage functional type (i.e., forage groups composed of forbs, graminoids, mosses, shrubs and lichens; r = 0.79, p < .01). Using video collars, we identified (1) a pronounced tradeoff in summer foraging between lichens and shrubs and (2) the costs of insect harassment on eating. Understanding caribou foraging ecology is needed to plan for their long‐term conservation across the circumpolar north, and video collars can provide a powerful approach across remote regions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».