Sustained disruption of narwhal habitat use and behavior in the presence of Arctic killer whales
Notice bibliographique
Résumé
Although predators influence behavior of prey, analyses of electronic tracking data in marine environments rarely consider how predators affect the behavior of tracked animals. We collected an unprecedented dataset by synchronously tracking predator (killer whales, [Formula: see text] = 1; representing a family group) and prey (narwhal, [Formula: see text] = 7) via satellite telemetry in Admiralty Inlet, a large fjord in the Eastern Canadian Arctic. Analyzing the movement data with a switching-state space model and a series of mixed effects models, we show that the presence of killer whales strongly alters the behavior and distribution of narwhal. When killer whales were present (within about 100 km), narwhal moved closer to shore, where they were presumably less vulnerable. Under predation threat, narwhal movement patterns were more likely to be transiting, whereas in the absence of threat, more likely resident. Effects extended beyond discrete predatory events and persisted steadily for 10 d, the duration that killer whales remained in Admiralty Inlet. Our findings have two key consequences. First, given current reductions in sea ice and increases in Arctic killer whale sightings, killer whales have the potential to reshape Arctic marine mammal distributions and behavior. Second and of more general importance, predators have the potential to strongly affect movement behavior of tracked marine animals. Understanding predator effects may be as or more important than relating movement behavior to resource distribution or bottom-up drivers traditionally included in analyses of marine animal tracking data.
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 | 0,002 |
| 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 | 0,002 |
| 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 ».