Shifting environmental predictors of phenotypes under climate change: a case study of growth in high latitude seabirds
Notice bibliographique
Résumé
Climate change is altering species' traits across the globe. To predict future trait changes and understand the consequences of those changes, we need to know the environmental drivers of phenotypic change. In the present study, we use multi‐decadal long datasets to determine periods of within‐year environmental variation that predict growth of three seabird species. We evaluate whether these periods changed over time and use them to predict future growth under climate change. We find that predictions of trait change could be improved by considering that 1) the timing of environmental factors used to predict traits (predictive‐environmental features) can change over time, and 2) the type of predictive‐environmental features can change over time. We find evidence of changes in the timing of environmental predictors in all populations studied and evidence for a change in the type of predictor in the studied Arctic murre population. Environmental models of growth predict that warming conditions will decrease growth rates and bird body sizes in two species (black‐legged kittiwake Rissa tridactyla and glaucous‐winged gull Larus Larus glaucescens ), but not the third (thick‐billed murre Uria lomvia ). Consequently, climate change is likely to decrease fledging rates in the gulls and kittiwakes. Further, we find that sea ice‐cover historically predicted murre chick growth well, but no longer does – instead air temperature is now a better predictor of murre growth. Our study highlights a need to investigate whether environmental determinants of trait variation commonly shift in a changing climate and whether such changes have implications for adaptation to novel environments.
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 | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».