Dive characteristics can predict foraging success in Australian fur seals (<i>Arctocephalus pusillus doriferus</i>) as validated by animal-borne video
Notice bibliographique
Résumé
Dive characteristics and dive shape are often used to infer foraging success in pinnipeds. However, these inferences have not been directly validated in the field with video, and it remains unclear if this method can be applied to benthic foraging animals. This study assessed the ability of dive characteristics from time-depth recorders (TDR) to predict attempted prey capture events (APC) that were directly observed on animal-borne video in Australian fur seals (Arctocephalus pusillus doriferus, n=11). The most parsimonious model predicting the probability of a dive with ≥1 APC on video included only descent rate as a predictor variable. The majority (94%) of the 389 total APC were successful, and the majority of the dives (68%) contained at least one successful APC. The best model predicting these successful dives included descent rate as a predictor. Comparisons of the TDR model predictions to video yielded a maximum accuracy of 77.5% in classifying dives as either APC or non-APC or 77.1% in classifying dives as successful verses unsuccessful. Foraging intensity, measured as either total APC per dive or total successful APC per dive, was best predicted by bottom duration and ascent rate. The accuracy in predicting total APC per dive varied based on the number of APC per dive with maximum accuracy occurring at 1 APC for both total (54%) and only successful APC (52%). Results from this study linking verified foraging dives to dive characteristics potentially opens the door to decades of historical TDR datasets across several otariid species.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».