Stopover regions, phenology, and spatiotemporal group dynamics of adult and juvenile common terns <i>Sterna hirundo</i> from inland lakes in North America
Notice bibliographique
Résumé
Understanding the behavior of migratory birds can help determine levels of connectivity and inform conservation actions for species of conservation concern. The common tern Sterna hirundo is a long‐distance migratory seabird that is considered a species of conservation concern in the North American Great Lakes region and that has experienced significant declines in breeding numbers across large lakes in Manitoba. To better understand the movement ecology of common terns, we used data from multiple tracking technologies (solar geolocation, GPS tracking, and Motus radio tracking) obtained from individuals (n = 83) across five breeding colonies on four inland lakes in North America. We identified key stopover regions used during southward migration and explored how demographics and social interactions influence connectivity. We identified three key stopover regions (Lake Erie, the southern Atlantic Coast, and Florida) and documented, for the first time, differences in post‐natal and post‐breeding migration for inland nesting terns. Juveniles arrived, on average, three weeks later than unrelated adults to their first major staging area. Although adult female arrival to and departure from Lake Erie was similar to adult males, female schedules became significantly earlier than males as southward migration progressed. Using a graph network to describe the spatiotemporal associations among adults from the same inland lake, individuals appeared to be highly connected, meeting up in different regions throughout the non‐breeding season, suggesting that social interactions may play an important role in maintaining spatial connectivity. Despite differences in migration schedules by sex and arrival to the first major staging area by age class, birds appeared to rely on the same key stopover regions during southward migration. The stopover regions identified in this study can help identify potential bottlenecks and guide future research aimed at assessing the impacts of climate change and human disturbance on common terns breeding in North America.
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) | 0,001 | 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 | 0,001 |
| 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 ».