An approach to incorporate individual personality in modeling fish dispersal across in‐stream barriers
Notice bibliographique
Résumé
Abstract Animal personalities are an important factor that affects the dispersal of animals. In the context of aquatic species, dispersal modeling needs to consider that most freshwater ecosystems are highly fragmented by barriers reducing longitudinal connectivity. Previous research has incorporated such barriers into dispersal models under the neutral assumption that all migrating animals attempt to ascend at all times. Modeling dispersal of animals that do not perform trophic or reproductive migrations will be more realistic if it includes assumptions of which individuals attempt to overcome a barrier. We aimed to introduce personality into predictive modeling of whether a nonmigratory invasive freshwater fish (the round goby, Neogobius melanostomus ) will disperse across an in‐stream barrier. To that end, we experimentally assayed the personalities of 259 individuals from invasion fronts and established round goby populations. Based on the population differences in boldness, asociability, and activity, we defined a priori thresholds with bolder, more asocial, and more active individuals having a higher likelihood of ascent. We then combined the personality thresholds with swimming speed data from the literature and in situ measurements of flow velocities in the barrier. The resulting binary logistic regression model revealed probabilities of crossing a barrier which depended not only on water flow and fish swimming speed but also on animal personalities. We conclude that risk assessment through predictive dispersal modeling across fragmented landscapes can be advanced by including personality traits as parameters. The inclusion of behavior into modeling the spread of invasive species can help to improve the accuracy of risk assessments.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».