Impacts of spring environmental conditions on energetic demand in an Arctic-breeding seabird
Notice bibliographique
Résumé
Life-history investment theory predicts that some individuals may be better at using physiological and behavioural mechanisms to meet the energetic demands imposed by environmental challenges to maximize breeding success. However, field-testing these seemingly straightforward predictions is complicated by the extreme challenge of quantifying environmentally induced flexibility in mechanisms before breeding investment. Nonetheless, these questions are especially vital to answer in places such as the Arctic, which is experiencing climate change rates 3-4 times the global average. Here we use a 16-year dataset from Canada’s largest colony of Arctic-breeding common eiders (Somateria mollissima), located at East Bay Island, Nunavut, to field-test these investment decision predictions. Specifically, from 2006-2023 (missing 2020-21 due to COVID-19), we captured almost 3000 pre-laying females following their arrival on the breeding grounds and collected physiological data on energetic demand (baseline corticosterone) and fattening rates (plasma triglycerides). We then followed individuals to assess two key reproductive decisions known to impact breeding success: whether birds invested in reproduction, and if so, when they initiated laying. Our goal is to use this dataset to examine whether individuals with certain physiological phenotypes can better overcome spring environment challenges (i.e., low ambient temperatures) to not only invest in breeding in a given year, but lay as early as possible to maximize lifetime breeding success in these highly seasonal environments. Filling in these challenging life history gaps is vital for predicting whether individuals and the populations they make up can persist and succeed in the face of rapidly increasing change in the north.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».