Using hidden Markov models to identify Ancient Murrelet foraging behaviour and habitat during the breeding season
Notice bibliographique
Résumé
Abstract: Understanding where seabirds travel and the behaviours they exhibit while on foraging trips is an important step in understanding their at-sea habitat requirements. Investigating movements of individuals from specific breeding colonies has become easier with the advent of tracking devices that can be mounted directly on individual birds. Foraging areas are often of most interest for conservation management, and one of the first steps to identifying important foraging habitat is to differentiate foraging behaviour from the record of movement captured by tracking devices. The Ancient Murrelet (Synthliboramphus antiquus) is a seabird species of conservation interest in Canada, due to the high proportion of the global population nesting in a relatively concentrated area of the British Columbia coast. In 2018 and 2019 we collected GPS tracks from Ancient Murrelets nesting on two colonies within the Haida Gwaii archipelago. We calculated trip metrics such as foraging range, total trip length, and trip duration. We successfully used hidden Markov models to classify movement exhibited by murrelets into three behaviour states (foraging, resting, and transit). We found that immersion data from GPS tags were essential for differentiating slow-moving behaviours. Logistic regression models suggested that depth, seafloor slope, tidal speed, and distance from the colony were negatively associated with foraging probability, while foraging intensity was greater in deeper areas. The combination of individual movement analysis and habitat analysis provides an important first step to identifying priority at-sea habitats, including critical breeding-season foraging areas, for murrelets in the waters around Haida Gwaii. Results will be used by the Canadian Government in support of the Ocean Protection Plan and successful management of this species under the Species at Risk Act. Authors: Vivian Pattison¹, Laurie Wilson¹, Patrick O'Hara¹, Christopher Bone², Laura Cowen² ¹Environment and Climate Change Canada, ²University of Victoria
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».