Challenges in marine mammal habitat modelling: evidence of multiple foraging habitats from the identification of feeding events in blue whales
Notice bibliographique
Résumé
Effective conservation of animal species depends on accurate identification of their critical habitat. Marine mammals, however, often transit through heterogeneous habitats and perform various activities within short periods of time. The predictive power of habitat modelling techniques can thus suffer from variability in behaviour and the use of multiple habitat types. We used data loggers and ecological-niche factor analysis (ENFA) modelling techniques to determine blue whale Balaenoptera musculus associations with underwater topography on a feeding ground in the St. Lawrence River estuary, Canada. We compared a nave model that had no knowledge of behaviour with a model that used the locations of feeding events inferred from specific velocity signatures. Blue whales travelled over several habitat types with different characteristics, which confounded modelling efforts when pooled together. The model based on the feeding set had considerably higher predictive power but could not highlight all suitable habitats at the same time. Using cluster analysis, we identified 4 habitat types used for feeding, each corresponding to distinct underwater topographies. Feeding depth and behaviour varied across these habitats, which were used preferentially at different times of the tidal cycle and appeared linked to known prey aggregation mechanisms. Our results suggest that failure to identify feeding activity or to take into account the existence of multiple foraging habitats at a fine scale could result in spurious modelling results.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».