Contrasting bottom‐up effects of warming ocean on two king penguin populations
Notice bibliographique
Résumé
Breeding success is often correlated with climate, but the underlying bottom-up mechanisms remain elusive-particularly in marine environments. Consequently, conservation plans of many species often consider climate change as a unilateral threat, ignoring that even nearby populations can show contradicting trends with climate. Better understanding the relationship between climate and environment at different scales can help us interpret local differences in population trends, ultimately providing better tools to evaluate the global response of a species to threats such as global warming. We studied a growing king penguin population nesting at Kerguelen island (Southern Indian Ocean), hosting one of the largest colonies in the world. We used a unique dataset of foraging, breeding success, and climate data spanning over 25 years to examine the links between climate, marine environment, and breeding success at this colony. The results were then compared to the neighboring population of Crozet, which experienced the steepest decline for this species over the past few decades. At Crozet, penguins experienced lower breeding success in warmer years due to productive currents shifting away from the colony, affecting foraging behavior during chick rearing. At Kerguelen, while chick mass and survival experienced extreme variation from year to year, the annual variation was not associated with the position of the currents, which varied very little compared to the situation in Crozet. Rather than being affected by prey distribution shifts, we found evidence that chick provisioning in Kerguelen might be influenced by prey abundance, which seem to rather increase in warmer conditions. Furthermore, warmer air temperature in winter increased chick survival rate, likely due to reduced thermoregulation cost. Investigating the mechanisms between climate and fitness allowed us to predict two different fates for these populations regarding ongoing global warming.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».