Should I breed or should I go? Manipulating individual state during migration influences breeding decisions in a long‐lived bird species
Notice bibliographique
Résumé
Abstract Documentation of carry‐over effects (COEs), defined as effects resulting from events that occurred in a previous time period, has largely been observational and understanding of specific mechanisms underlying COEs is still lacking. To investigate this, we simulated an environmental perturbation during the spring migration of a long‐lived bird species and looked at the subsequent effects on various breeding parameters. We captured female greater snow geese Anser caerulescens atlanticus on their spring staging sites and maintained individuals in captivity for up to 4 days before releasing them. We re‐observed females 3000 km North, on their Arctic breeding grounds, to estimate their breeding propensity (i.e. probability of initiating a reproductive event for a given year), and measured their arrival date, laying date, clutch size and nesting success. Only proxies of breeding propensity were affected by our manipulation, which decreased as the time spent in captivity increased. However, females were able to overcome the effects of captivity in two out of the 3 years of experimentation with normal or good environmental conditions at the breeding site. When facing the additional challenge of poor environmental conditions, many individuals manipulated during migration apparently curtailed their reproductive effort by skipping breeding. This experiment is the first to show that breeding propensity is an important parameter affected by COEs resulting from stressful events prior to reproduction in long‐lived species. Read the free Plain Language Summary for this article on the Journal blog.
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 | 0,001 |
| 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) | 0,006 | 0,002 |
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 ».