Capturing seasonal variations in faecal nutrient content from tundra herbivores using near infrared reflectance spectroscopy
Notice bibliographique
Résumé
Herbivores contribute to nutrient cycling in tundra ecosystems through their waste (e.g., faeces, urine). However, their contribution might vary among species and over time during the growing season likely due to differences in body size, digestive physiology, and variations in diet composition and quality. Capturing fine-scale variability requires intensive sampling, but traditional wet-lab methods for measuring nutrient concentration and stoichiometry in animal faeces are prohibitively expensive. To address this challenge, we developed a low-cost alternative using Near-Infrared Reflectance Spectroscopy (NIRS). We calibrated a general model for the main Icelandic tundra herbivores (i.e., pink-footed goose, Anser brachyrynchus, reindeer, Rangifer tarandus and sheep, Ovis aries) to assess faecal nutrient concentrations (nitrogen, phosphorus, and carbon) and stoichiometry (C:N, C:P, N:P). This was achieved using a set of 191 fresh faecal samples scanned with NIRS and analysed by traditional wet-lab methods. The multispecies models explained between 76 and 91 % of variation between samples. We then applied the models to over 300 samples and assessed changes in faecal nutrient concentration, and stoichiometry of the three herbivores throughout the growing season.We found that faecal quality varied between herbivore species, with sheep and reindeer generally having more similar nutrient concentrations and stoichiometry than geese. Seasonality also affected faecal nutrient content, with a general decrease in N and P concentrations over the growing season and an increase in C:N and C:P ratios, especially in geese. Geese contributed disproportionately to the nutrient pools of Icelandic rangelands due to their high defecation rate and large population. These results provide important insights into how different herbivore species can influence the biogeochemistry of nutrient-limited tundra rangelands throughout the growing season, and a general model for faecal nutrient content of tundra herbivores.
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 | 0,000 |
| 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) | 0,000 | 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 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 ».