High complexity of aquatic irradiance may have driven the evolution of four-dimensional colour vision in shallow-water fish
Notice bibliographique
Résumé
Humans use three cone photoreceptor classes for colour vision, yet many birds, reptiles and shallow-water fish are tetrachromatic and use four cone classes. Screening pigments, which narrow the spectrum of photoreceptors in birds and diurnal reptiles, render visual systems with four cone classes more efficient. To date, however, the question of tetrachromacy in shallow-water fish that, like humans, lack screening pigments, is still unsolved. We raise the possibility that tetrachromacy in fish has evolved in response to higher spectral complexity of underwater light. We compared the dimensionality of colour vision in humans and fish by examining the spectral complexity of the colour signal reflected from objects into their eyes. We show that fish require four to six cone classes to reconstruct the colour signal of aquatic objects at the accuracy level achieved by humans viewing terrestrial objects. This is because environmental light, which alters the colour signals, is more complex and contains more spectral fluctuations underwater than on land. We further show that fish cones are better suited than human cones to detect these spectral fluctuations, suggesting that the capability of fish cones to detect high-frequency fluctuations in the colour signal confers an advantage. Taken together, we propose that tetrachromacy in fish has evolved to enhance the reconstruction of complex colour signals in shallow aquatic environments. Of course, shallow-water fish might possess fewer than four cone classes; however, this would come with the inevitable loss in accuracy of signal reconstruction.
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 | 0,001 |
| 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) | 0,002 | 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 ».