High‐resolution diving data collected from foraging area reveal that leatherback turtles dive faster to forage longer
Notice bibliographique
Résumé
Abstract Despite multiple studies examining the diving behavior of leatherback sea turtles (Dermochelys coriacea) at coarse resolution over broad distances, there is still a paucity of high‐resolution diving data collected in areas where foraging has been confirmed. Short‐term (~1–3 h) deployments of suction cup tags with time–depth recorders (TDRs) on 10 free‐swimming leatherback turtles in a foraging area off Nova Scotia, Canada during August and September (2007–2014), captured a total of 161 dives. High‐resolution (1–5 s sampling rate) dive profile data indicated variability in diving behavior between and within individuals. On average, turtles spent 55.7% of their time diving and 44.3% at the surface. Turtles generally performed short (mean duration = 250.4 s [SD = 47.9 s]) and shallow dives (mean depth = 24.3 m [SD = 5.8 m]). We recorded a mean dive descent rate of 0.32 m/s, which is faster than values recorded for leatherbacks in tropical waters. This may reflect differences in environment, behavioral mode (e.g., foraging vs. inter‐nesting), and body condition. Linear mixed‐effects models suggest a significant positive correlation between descent rate and mean depth, maximum depth, and integrated vertical bottom movement (IVBM). Turtles with faster descent rates dove deeper and increased their predicted foraging behavior (IVBM, or the sum of absolute differences in depth changes while at the bottom portion of their dives). Models additionally showed that dive time, bottom time, and IVBM were all positively correlated to the post‐dive surfacing. This suggests that turtles required more time at the surface to recover and/or handle prey following longer dives characterized by increased vertical movement at the bottom portion of the dive. Dives were complex; the application of standard dive type/shape analysis may be over‐simplified and inappropriate for leatherbacks foraging in these habitats. These results portray a novel and detailed look at the foraging dynamics of a diving marine reptile.
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 | 0,000 |
| 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 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 ».