Unsupervised classification of Blanding’s turtle (Emydoidea blandingii) behavioural states from multi-sensor biologger data
Notice bibliographique
Résumé
Classifying animal behaviors in their natural environments is both challenging and ecologically important, but the use of biologgers with multiple sensors has significantly advanced this research beyond the capabilities of traditional methods alone. Here, we show how biologgers containing an integrated tri-axial accelerometer, GPS logger and immersion sensor were used to infer behavioural states of a cryptic, freshwater turtle, the Blanding's turtle (Emydoidea blandingii). Biologgers were attached to three males and five females that reside in two undisturbed coastal marshes in northeastern Georgian Bay (Ontario, Canada) between May and July 2023. Raw acceleration values were separated into static and dynamic acceleration and subsequently used to calculate overall dynamic body acceleration (ODBA) and pitch. The unsupervised Hidden Markov Model (HMM) successfully differentiated five behavioural states as follows: active in water, resting in water, active out of water, resting in water, and nesting. Overall accuracy of the classification was 93.8%, and except for nesting (79%), all other behaviours were above 92%. There were significant differences in daily activity budgets between male and female turtles, with females spending a greater proportion of time active out of water, and inactive out of the water, while males spent a greater proportion of time active in water. These differences were likely a result of large seasonal life-history requirements such as nesting and mate finding. Accurate classification of behavioural states is important for researchers to understand fine-scale activities carried out during the active season and how environmental variables may influence the behaviours of turtles in their natural habitats.
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) | 0,001 | 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 ».