Predicting multiple behaviors from GPS radiocollar cluster data
Notice bibliographique
Résumé
Advancements in GPS radiotelemetry allow collection of vast data for a variety of species including those for which direct observations are typically not feasible. Predicting behavior from telemetry data is possible, but telemetry fix rate can influence inferences, and animal behavior itself can affect fix success. We use multinomial regression to predict behavior from GPS radiocollar data field validated with behavioral state information. Our study organism was a facultative carnivore, the grizzly bear (Ursus arctos) (n = 10) from a threatened population in Alberta, Canada, monitored during 2008–2010. Models using GPS cluster parameters alone successfully predicted ungulate consumption, whereas bear bedding was sufficiently identified by models that included site-level information. Predicting more complex behaviors required models incorporating both cluster parameters and habitat characteristics. No model reliably predicted vegetation feeding, probably because this activity is shorter than the time required for cluster formation. Models built using infrequent fix rates underestimated all behaviors, with bear presence at ungulate carcass sites least sensitive to fix rate variability. Behavior influenced fix success, with highest fix acquisition occurring when bears fed on vegetation. Placing predictions into a conservation context, we show that grizzly bears modify their behavior as they move through a landscape with complex human-activity patterns on reclaimed open-pit mines, foothill, and mountain regions. The modeling approach we tested needs further applications across species and ecosystems including behavioral monitoring, quantifying activity budgeting, and identifying areas/habitats important for specific behaviors that may warrant conservation.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».