Simulating trawl herding in flatfish: the role of fish length in behaviour and swimming characteristics
Notice bibliographique
Résumé
Abstract Theoretical modeling indicates that the herding efficiency of flatfish by bottom-trawl sweeps is highly sensitive to subtle changes in fish behaviour. Yet the degree of variation in herding behaviour within a species, population, or individual remains poorly understood because of the difficulty observing and measuring fish behaviour in this region of the gear. The purpose of this study was to simulate herding under laboratory conditions in order to examine the behaviour and swimming characteristics of flatfish. Using a large flume equipped with a moving floor, we examined the effect of fish length on gait use, behaviour, and swimming kinematics in American plaice (Hippoglossoides platessoides). While swimming at a speed comparable to the herding speed of trawl sweeps (0.3 m s−1), smaller plaice (<30 cm) spent a large percentage of time using the kick-swim gait, while larger fish (≥30 cm) preferred cruising. In total, 65% of plaice exhibited settling behaviour, analogous to the swim-and-settle behaviour observed in response to trawl sweeps. The frequency of this behaviour and the distance swum between settles were independent of fish length. Only the frequency of gliding changed with the duration of swimming. Like other teleost species, tailbeat frequency decreased with increasing fish length. The results from this study indicate that fish length affects gait use and swimming kinematics in flatfish, but not the frequency of gliding and settling behaviours. These observations support the hypothesis of size-selective herding and provide further insight into the herding efficiency of trawl sweeps.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».