Using accelerometry tags to quantify gray whale foraging behavior
Notice bibliographique
Résumé
Abstract High‐resolution tri‐axial accelerometry biologging tags have quantitatively described behaviors in baleen whale species that forage using lunges and continuous ram filtration. However, detailed quantitative descriptions of foraging behaviors do not exist for gray whales, a unique baleen whale species that primarily uses benthic suction feeding with a rolling component. We deployed suction cup biologging tags on Pacific Coast Feeding Group (PCFG) gray whales to quantify foraging behavior at the broad state (dive) and foraging tactic (roll event) scales. Hidden Markov models were used to describe three distinct states using turn angle, dive duration, pseudotrack tortuosity, and presence of roll events that can be interpreted as forage, search, and transit behavior. Classification and Regression Tree models best described foraging tactics (headstands, benthic digs, and side swims) using median pitch, depth to total length ratio, and absolute value of the median roll. On average, PCFG gray whales spent more time searching and performed more left‐rolled foraging tactics at shallower depths at night compared to during the day, potentially to track prey above them in the water column. Describing foraging behavior in PCFG gray whales enables examination of links between behavioral budgets, energetics, and the physiological impact of threats facing this group.
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 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».