Road Mortality Contributes to the Evolution of an Urban–Rural Cline in Squirrel Coat Color
Notice bibliographique
Résumé
ABSTRACT Cities impose unique selection pressures on wildlife and generate clines in phenotypic traits along urban–rural gradients. Roads are a widespread feature of human‐dominated landscapes and are known to cause direct wildlife mortality; however, whether they act as a selective force influencing phenotypic trait variation along urban–rural gradients remains unclear. This study tested the hypothesis that roads influence natural selection of coat color in the eastern gray squirrel ( Sciurus carolinensis ), a species with two distinct coat colors: a gray morph that is common in all areas and a melanic morph more prevalent in urban areas than in rural ones. Vehicular collisions are a significant cause of mortality in eastern gray squirrels, with the melanic morph more visually conspicuous on roads and more easily detected and avoided by drivers than the gray morph. Standardized road cruise surveys along an urbanization gradient in Syracuse, New York, USA, revealed that the prevalence of melanism among living squirrels in Syracuse was negatively related to distance from the city center, whereas there was no urban–rural cline in melanism among road‐killed individuals, with the melanic morph underrepresented among road‐killed squirrels by up to 30% along the urbanization gradient. An examination of the prevalence of each color morph on and off road surfaces in a range‐wide compilation of > 100,000 photographs of S. carolinensis also indicated that the melanic morph was underrepresented among road‐killed squirrels imaged. Our study highlights vehicular collisions as an important source of natural selection on phenotypic traits, suggesting a potential role in shaping patterns of urban evolution and contributing to the maintenance of urban–rural clines.
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) | 0,000 | 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 ».