Multi-mode movement decisions across widely ranging behavioral processes
Notice bibliographique
Résumé
Movement of organisms plays a fundamental role in the evolution and diversity of life. Animals typically move at an irregular pace over time and space, alternating among movement states. Understanding movement decisions and developing mechanistic models of animal distribution dynamics can thus be contingent to adequate discrimination of behavioral phases. Existing methods to disentangle movement states typically require a follow-up analysis to identify state-dependent drivers of animal movement, which overlooks statistical uncertainty that comes with the state delineation process. Here, we developed population-level, multi-state step selection functions (HMM-SSF) that can identify simultaneously the different behavioral bouts and the specific underlying behavior-habitat relationship. Using simulated data and relocation data from mule deer (Odocoileus hemionus), plains bison (Bison bison bison) and plains zebra (Equus quagga), we illustrated the HMM-SSF robustness, versatility, and predictive ability for animals involved in distinct behavioral processes: foraging, migrating and avoiding a nearby predator. Individuals displayed different habitat selection pattern during the encamped and the travelling phase. Some landscape attributes switched from being selected to avoided, depending on the movement phase. We further showed that HMM-SSF can detect multi-modes of movement triggered by predators, with prey switching to the travelling phase when predators are in close vicinity. HMM-SSFs thus can be used to gain a mechanistic understanding of how animals use their environment in relation to the complex interplay between their needs to move, their knowledge of the environment and navigation capacity, their motion capacity and the external factors related to landscape heterogeneity.
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 | 0,001 | 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 ».