Small‐scale spatial distributions of long‐finned pilot whales change over time, but foraging hot spots are consistent: Significance for marine wildlife tourism management
Notice bibliographique
Résumé
Abstract Data collected opportunistically aboard marine wildlife tourism vessels are an inexpensive source of spatial information on the target species. Although these data are often challenging to analyze, they can be used to monitor spatiotemporal changes in species distribution and behavior. Disruptions from whale‐watching vessels to behaviors such as foraging can be particularly harmful to cetaceans, but impacts could be reduced if areas essential for these sensitive behaviors are identified. We used data collected onboard whale‐watching vessels to explore space‐use patterns in long‐finned pilot whales ( Globicephala melas ) off northern Cape Breton Island, Canada, an area where tourism is essential. Encounters with pilot whales between 2011–2016 occurred twice as far offshore than during 2003–2006 and 2008, and foraging activity decreased. Despite the changes in distribution and activity budgets, we identified two hot spots of foraging activity that persisted through time. These identified foraging hot spots comprised only a small proportion (20 km 2 ) of the range used by whale‐watching vessels. Adaptive local management (e.g., voluntary codes of conduct) focused on limiting interactions in these energetically important areas may help reduce any potential impacts from whale‐watching and promote the continued viability of the whale population and the tourism industry that relies on it.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».