Time-energy budgets outperform dynamic body acceleration in predicting daily energy expenditure in kittiwakes, and estimate a very low cost of gliding flight relative to flapping flight
Notice bibliographique
Résumé
Energy is a common currency for any living organism, yet estimating energy expenditure in wild animals is challenging. Accelerometers are commonly used to estimate energy expenditure, via a dynamic body acceleration (DBA) or time-energy budget approach. The DBA approach estimates energy expenditure directly from acceleration but may lead to erroneous estimates during inactivity when acceleration is zero but energy expenditure is not. The time-energy budget approach uses accelerometers and other data streams to assign a behaviour to each time step, and then calculates energy expenditure based on activity-specific metabolic rates assigned to each behaviour. Here, we used GPS-accelerometry in breeding black-legged kittiwakes (Rissa tridactyla, n=80) to calculate DBA and time-energy budgets derived from simple biologging metrics (speed, wingbeat frequency, GPS position). We then compared these two approaches with estimates of energy expenditure from doubly labelled water (DLW). Energy expenditure estimated from DLW correlated with DBA, but the best model to estimate energy expenditure was based on time-energy budgets. Energetic costs of flapping flight were higher than all other kittiwake behaviours (5.54×basal metabolic rate, BMR). Energetic costs of gliding flight (0.80×BMR) were the lowest of all behaviours, and equivalent to the cost of resting at the colony. DEE for our birds estimated from our calibration coefficients was similar to DEE for our birds estimated with the model coefficient published using different methods. We conclude that once calibrated with DLW, GPS-accelerometry provides a simple method for measuring energy expenditure in wild kittiwakes based on time-energy budgets.
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 | 0,001 | 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) | 0,000 | 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 ».