Sailfish generate foraging opportunities for seabirds in multi-species predator aggregations
Notice bibliographique
Résumé
While various marine predators form associations, the most commonly studied are those between subsurface predators and seabirds, with gulls, shearwaters or terns frequently co-occurring with dolphins, billfish or tuna. However, the mechanisms underlying these associations remain poorly understood. Three hypotheses have been proposed to explain the prevalence of these associations: (1) subsurface predators herd prey to the surface and make prey accessible to birds, (2) subsurface predators damage prey close to the surface and thereby provide food scraps to birds, and (3) attacks of underwater predators lower the cohesion of prey groups and thereby their collective defences making the prey easier to be captured by birds. Using drone footage, we investigated the interaction between Indo-Pacific sailfish ( Istiophorus platypterus ) and terns ( Onychoprion sp . ) preying on schooling fish off the eastern coast of the Malaysian peninsula. Through spatio-temporal analysis of the hunting behaviour of the two predatory species and direct measures of prey cohesion we showed that terns attacked when school cohesion was low, and that this decrease in cohesion was frequently caused by sailfish attacks. Therefore, we propose that sailfish created a by-product benefit for the bird species, lending support to the hypothesis that lowering cohesion can facilitate associations between subsurface predators and seabirds.
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 | 0,000 | 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) | 0,000 | 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 ».