Multivariate analysis of biologging data reveals the environmental determinants of diving behaviour in a marine reptile
Notice bibliographique
Résumé
Diving behaviour of ‘surfacers' such as sea snakes, cetaceans and turtles is complex and multi-dimensional, thus may be better captured by multi-sensor biologging data. However, analysing these large multi-faceted datasets remains challenging, though a high priority. We used high-resolution multi-sensor biologging data to provide the first detailed description of the environmental influences on flatback turtle (Natator depressus) diving behaviour, during its foraging life-history stage. We developed an analytical method to investigate seasonal, diel and tidal effects on diving behaviour for 24 adult flatback turtles tagged with biologgers. We extracted 16 dive variables associated with three-dimensional and kinematic characteristics for 4128 dives.K-means and hierarchical cluster analyses failed to identify distinct dive types. Instead, principal component analysis objectively condensed the dive variables, removing collinearity and highlighting the main features of diving behaviour. Generalized additive mixed models of the main principal components identified significant seasonal, diel and tidal effects on flatback turtle diving behaviour. Flatback turtles altered their diving behaviour in response to extreme tidal and water temperature ranges, displaying thermoregulation and predator avoidance strategies while likely optimizing foraging in this challenging environment. This study demonstrates an alternative statistical technique for objectively interpreting diving behaviour from multivariate collinear data derived from biologgers.
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 | 0,001 | 0,001 |
| 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 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 ».