The benefits of insect-swarm hunting in echolocating bats, and its influence on the evolution of bat echolocation signals
Notice bibliographique
Résumé
Abstract Predation on swarms of prey, especially using visual information, has drawn much interest in studies of collective movement. Surprisingly, in the field of biosonar this aspect of prey detection, which is probably very common, has received little to no attention. Here, we combine computer simulations and actual echo measurements to accurately estimate the echo intensity of insect swarms of different size and density. We show that swarm echo intensity increases with 3dB for every doubling of insect number, irrespective of swarm density. Thus swarms will be much easier to detect than single insects. Many of the insects bats eat are so small that they are only detectable by echolocation at very short distances. By focusing on detection of swarms of insects, a bat may increase its operating range and diversify its diet. Interestingly, interference between the sound waves reflected from a swarm of insects can sometimes result in echoes that are much much weaker than echoes from single insects. We show that bats can reduce this problem by increasing the bandwidth of their echolocation calls. Specifically, a bandwidth of 3-8 kHz would guarantee receiving loud echoes from any angle relative to the swarm. Indeed, many bat species, and specifically bats hunting in open spaces, where swarms are abundant, use echolocation signals with a bandwidth of several kHz. Our results might also explain how the first echolocating bats that probably had limited echolocation abilities, could detect insects through swarm hunting.
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 | 0,001 |
| 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 | 0,001 | 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 ».