Antarktis-bibliografi er en database over den norske Antarktis-litteraturen.

Hensikten med bibliografien er å synliggjøre norsk antarktisforskning og annen virksomhet/historie i det ekstreme sør. Bibliografien er ikke komplett, spesielt ikke for nyere forskning, men den blir oppdatert.

Norsk er her definert som minst én norsk forfatter, publikasjonssted Norge eller publikasjon som har utspring i norsk forskningsprosjekt.

Antarktis er her definert som alt sør for 60 grader. I tillegg har vi tatt med Bouvetøya.

Det er ingen avgrensing på språk (men det meste av innholdet er på norsk eller engelsk). Eldre norske antarktispublikasjoner (den eldste er fra 1894) er dominert av kvalfangst og ekspedisjoner. I nyere tid er det den internasjonale polarforskninga som dominerer. Bibliografien er tverrfaglig; den dekker både naturvitenskapene, politikk, historie osv. Skjønnlitteratur er også inkludert, men ikke avisartikler eller upublisert materiale.

Til høyre finner du en «HELP-knapp» for informasjon om søkemulighetene i databasen. Mange referanser har lett synlige lenker til fulltekstversjon av det aktuelle dokumentet. For de fleste tidsskriftartiklene er det også lagt inn sammendrag.

Bibliografien er produsert ved Norsk Polarinstitutts bibliotek.

Full bibliography

Identifying prey capture events of a free-ranging marine predator using bio-logger data and deep learning

Resource type
Authors/contributors
Title
Identifying prey capture events of a free-ranging marine predator using bio-logger data and deep learning
Abstract
Marine predators are integral to the functioning of marine ecosystems, and their consumption requirements should be integrated into ecosystem-based management policies. However, estimating prey consumption in diving marine predators requires innovative methods as predator-prey interactions are rarely observable. We developed a novel method, validated by animal-borne video, that uses tri-axial acceleration and depth data to quantify prey capture rates in chinstrap penguins (Pygoscelis antarctica). These penguins are important consumers of Antarctic krill (Euphausia superba), a commercially harvested crustacean central to the Southern Ocean food web. We collected a large data set (n = 41 individuals) comprising overlapping video, accelerometer and depth data from foraging penguins. Prey captures were manually identified in videos, and those observations were used in supervised training of two deep learning neural networks (convolutional neural network (CNN) and V-Net). Although the CNN and V-Net architectures and input data pipelines differed, both trained models were able to predict prey captures from new acceleration and depth data (linear regression slope of predictions against video-observed prey captures = 1.13; R2 approximate to 0.86). Our results illustrate that deep learning algorithms offer a means to process the large quantities of data generated by contemporary bio-logging sensors to robustly estimate prey capture events in diving marine predators.
Publication
Royal Society Open Science
Volume
11
Issue
6
Pages
240271
Date
2024
Journal Abbr
Royal Society Open Science
Language
Engelsk
Accessed
2024-09-11
Extra
Publisher: Royal Society
Citation
Schoombie, S., Jeantet, L., Chimienti, M., Sutton, G. J., Pistorius, P. A., Dufourq, E., Lowther, A. D., & Oosthuizen, W. C. (2024). Identifying prey capture events of a free-ranging marine predator using bio-logger data and deep learning. Royal Society Open Science, 11(6), 240271. https://doi.org/10.1098/rsos.240271