Kinematic signatures of prey capture from archival tags reveal sex differences in killer whale foraging activity
Notice bibliographique
Résumé
ABSTRACT Studies of odontocete foraging ecology have been limited by the challenges of observing prey capture events and outcomes underwater. We sought to determine whether subsurface movement behavior recorded from archival tags could accurately identify foraging events by fish-eating killer whales. We used multisensor bio-logging tags attached by suction cups to Southern Resident killer whales (Orcinus orca) to: (1) identify a stereotyped movement signature that co-occurred with visually confirmed prey capture dives; (2) construct a prey capture dive detector and validate it against acoustically confirmed prey capture dives; and (3) demonstrate the utility of the detector by testing hypotheses about foraging ecology. Predation events were significantly predicted by peaks in the rate of change of acceleration (‘jerk peak’), roll angle and heading variance. Detection of prey capture dives by movement signatures enabled substantially more dives to be included in subsequent analyses compared with previous surface or acoustic detection methods. Males made significantly more prey capture dives than females and more dives to the depth of their preferred prey, Chinook salmon. Additionally, only half of the tag deployments on females (5 out of 10) included a prey capture dive, whereas all tag deployments on males exhibited at least one prey capture dive (12 out of 12). This dual approach of kinematic detection of prey capture coupled with hypothesis testing can be applied across odontocetes and other marine predators to investigate the impacts of social, environmental and anthropogenic factors on foraging ecology.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,001 | 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 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 ».