Analyzing Animal Movement Characteristics From Location Data
Notice bibliographique
Résumé
Abstract When individuals of a species utilize an environment, they generate movement patterns at a variety of spatial and temporal scales. Field observations coupled with location technologies (e.g. GPS tags) enable the capture of detailed spatio‐temporal data regarding these movement patterns. These patterns contain information about species‐specific preferences regarding individual decision‐making, locational choices and the characteristics of the habitat in which the animal resides. Spatial Data Mining approaches can be used to extract repeated spatio‐temporal patterns and additional habitat preferences hidden within large spatially explicit movement datasets. We describe a method to determine the periodicity and directionality in movement exhibited by a migratory bird species. Results using a High Arctic‐nesting S valbard B arnacle G oose movement data yielded undetected patterns that were secondarily corroborated with expert field knowledge. Individual revisits by the geese to specific locations in the breeding and wintering grounds of S valbard, N orway and S olway, S cotland, occurred with a periodicity of 334 days . Further, the orientation of this movement was detected to be mostly north‐south. During long‐range migration the geese use the north‐south oriented N orwegian islands as “stepping stones”, Short‐range movement between mudbank roosts to feeding fields in S olway also retained a north‐south orientation.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».