Predicting aquatic animal movements and behavioural states from acoustic telemetry arrays
Notice bibliographique
Résumé
Abstract Fine‐scale tracking with passive acoustic telemetry can yield great insights into the movement ecology of aquatic animals. To predict fine‐scale positions of tagged animals in continuous space from spatially‐discrete detection data, state‐space modelling through the R package YAPS provides a promising alternative to frequently used positioning algorithms. However, YAPS cannot currently classify multiple kinds of movement that may be used as proxies for individual behaviours of study animals (behavioural states), an endeavour that is of increasing interest to movement ecologists. We advance YAPS by incorporating the functionality to predict behavioural states by using an iterative maximization framework. Our model, which we call YAMS, occurs in continuous time and therefore we adapt current hidden Markov model (HMM) machinery to accommodate this while remaining within a likelihood framework that provides rapid fitting. We test our model using simulations and approximately 6 days’ worth of Northern pike data from Hald Lake, Denmark. YAMS is shown to produce accurate parameter estimates and random effect predictions when model results were compared to simulated data, with behavioural state accuracies of 0.94 and 0.79 for two‐ and three‐state models, respectively, and location state root mean squared errors of 1.8 m for both models. In addition, the behavioural states are shown to reflect varying speeds of the pike, yielding a highly interpretable classification. This research has the potential to be broadly applicable to both ecologists interested in identifying fine‐scale space use and behavioural states from acoustic telemetry data, as well as to statisticians who may wish to use standard HMM machinery to fit continuous‐time HMMs to animal movement 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 | 0,000 |
| 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 | 0,001 |
| 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 ».