Implications of wind and vessel noise on the sound fields experienced by southern resident killer whales Orcinus orca in the Salish Sea
Notice bibliographique
Résumé
The soundscape of critical habitat for southern resident killer whale (SRKW) Orcinus orca in the Salish Sea, the waters around southern British Columbia, Canada, and northern Washington State, USA, is shaped by wind and wave noise as well as heavy commercial and recreational vessel traffic loads. First, we used recordings from 6 passive acoustic moorings to characterize the acoustic landscape experienced by SRKW in this region, focusing on the frequencies used for communication and echolocation. Mid-frequency wind noise was prevalent in winter sound fields, whereas higher-frequency noise levels associated with increased numbers of recreational vessels increased during summer. Commercial vessel presence was consistent, with acoustic inputs prevalent in the western part of the study area. The potential implications of these additions on SRKW acoustics use were then explored for the frequency band 1-40 kHz to represent communication calls and at 50 kHz to consider echolocation. The inputs of wind were extrapolated from modelled hourly wind speed measures and commercial shipping noise. The noise impact was expressed as a proportional reduction of communication and echolocation extent compared to maximum acoustic ranges at ‘minimum ambient’ levels, void of vessel and abiotic noise. The reductions calculated were substantial, with the presence and impact of vessel noise greater than wind-derived additions and the greatest impacts around shipping lanes. Impacts were found for SRKW foraging areas, with implications for group cohesion and feeding success. This interpretation of the influence of natural and vessel noise more clearly demonstrates the potential implications of altered soundscapes for SRKW.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».