Identifying leatherback turtle foraging behaviour from satellite telemetry using a switching state-space model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Identifying the foraging habitat of marine predators is vital to understanding the ecology of these species and for their management and conservation. Foraging habitat for many marine predators is dynamic, and this poses a serious challenge for understanding how oceanographic features may shape the ecology of these animals. To help resolve this issue, we present a switching state-space model (SSSM) for discerning different movement behaviours hidden within error-prone satellite telemetry data. Along with modelling the movement dynamics, the SSSM estimates the probability that an animal is in a particular discrete behavioural mode, such as transiting or foraging. Using Argos satellite telemetry for leatherback sea turtles, we show that the SSSM readily identifies distinct classes of movement behaviour from the noisy data. Moreover, patterns in simultaneously collected diving data, to which the model is blind, match well with behavioural mode estimates. By combining behavioural mode estimates from the model with the diving data, we show that while transiting, leatherbacks make longer, deeper dives; and while foraging, they encounter cooler waters that range from 13 to 22C. These differences are consistent among the turtles studied and within the same turtle in different years. This modelling approach can enhance standard kernel density estimators for identifying habitat use by incorporating behavioural information into the estimation procedure. Ultimately, we can build predictive models of habitat use by incorporating environmental data and diving behaviour directly into the SSSM framework.
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.
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 | 0,001 |
| 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 découle