Acoustic telemetry predation sensors reveal the tribulations of Atlantic salmon (<i>Salmo salar</i>) smolts migrating through lakes
Notice bibliographique
Résumé
Abstract Smolt migration through lakes is hazardous, as the predation pressure can be extreme and the hydrology a great contrast to that of a riverine area. However, the mechanisms yielding these challenges have been scarcely investigated. We conducted an acoustic telemetry field study in Lake Evangervatnet, Voss, Norway, utilising Vemco V5 predation tags. Atlantic salmon ( Salmo salar ) smolts ( N = 20) were tagged with the novel predation sensor tag to investigate mortality, the lacustrine migration behaviour of smolts, and the applicability of these tags for smolt studies. A total of 60% of tagged Atlantic salmon ( Salmo salar ) smolts perished in the lake. Half of the mortalities (30% of tagged fish) were directly attributed to predation by brown trout ( Salmo trutta ) based on predation sensors. The surviving smolts were slow to traverse the 6.5 km lake, with progression rate between lake inlet and outlet on average 0.016 m/s over a mean of 7.9 ± 6.2 (SD) days. Acoustic detections revealed a consistent pattern of nocturnal migration and multidirectional movements within the lake. By running a series of correlated random walks under varying parameters and comparing the simulated travel times to the observed travel time used by the tagged smolts, we emulated the observed behaviour of the smolts. These simulations suggested that smolts lacked the ability to efficiently navigate through the lake, instead swimming in random directions until they reached the lake outlet. Predation sensors can offer improved resolution when tracking the behaviour and fate of smolts and can facilitate better mitigation efforts by identifying survival bottlenecks and separating predation from non‐predatory mortality.
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) | 0,000 | 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) | 0,002 | 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 ».