Dynamic Lake Ice Conditions Shape Caribou Water-Crossing Behavior in the Arctic
Notice bibliographique
Résumé
ABSTRACT Successful animal migration hinges on navigation and decision‐making in dynamic environments. Yet, how individuals navigate transient, fine‐scale landscape barriers, such as seasonally ice‐covered water bodies, remains poorly understood. Understanding these responses is critical for forecasting migration routes and connectivity under global change. In the Arctic, rising temperatures are causing earlier ice melt and later freeze‐up, reshaping landscape permeability and potentially disrupting migration routes for overland migrants, such as barren‐ground caribou ( Rangifer tarandus ), a keystone Arctic species, which relies on frozen lakes and rivers for efficient spring travel to calving grounds. While caribou generally prefer ice to open water, behavioral responses to changing ice conditions have not been quantitatively assessed. We analyzed 20 years (2001–2021) of GPS data for 406 adult caribou and daily MODIS land surface albedo to examine lake‐crossing decisions at Contwoyto Lake, a long (> 100 km) glacial lake in northern Canada. We classified transit events as crossing or circumnavigation based on GPS trajectories relative to lake boundaries and linked behavioral decisions to spatially and temporally resolved ice conditions. Our models revealed distinct seasonal drivers. Spring crossing decisions were shaped by intermediate‐scale ice conditions, with a behavioral threshold at a path‐averaged annual albedo percentile rank of 0.56, corresponding to intermediate late‐spring melt conditions when lake ice transitions from continuous cover toward fragmented surfaces. In fall, when the lake was ice‐free, movement‐related factors such as relative speeds along alternative routes better explained behavior. Our findings show how ice acts as a seasonal behavior filter, shaping functional connectivity through perceptual and energetic constraints. Although developed for caribou, this framework is transferable across species and systems. By linking high‐resolution, spatiotemporal remote sensing to individual behavior, our framework identifies quantitative behavioral thresholds in response to dynamic, climate‐sensitive landscape features, supporting predictive monitoring of climate‐driven shifts in migratory behavior and emerging constraints on movement.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».