TrapCam: an inexpensive camera system for studying deep‐water animals
Notice bibliographique
Résumé
Summary 1. Behavioural research in deep water (>40 m depth) has traditionally been expensive and logistically challenging, particularly because the light and sound produced by underwater vehicles make them unsuitably disruptive. Yet, understanding the behaviour of deep‐water animals, especially those targeted by exploitation, is important for conservation. For example, understanding interactions between animals and deep‐water fishing gear could inform the design of devices that minimize bycatch. 2. We describe the ‘TrapCam’, a self‐contained, high‐definition video system that requires neither the support of a vessel once deployed nor special equipment to deploy or retrieve. This system can record 13‐h videos at 1080p resolution and is deployable on any substrata at depths of up to 100 m. The system is inexpensive (<$3000 USD), versatile and suited to the study of animal behaviour at depths inaccessible to scuba divers. 3. We evaluate the performance and cost effectiveness of TrapCam and analyse videos retrieved from pilot deployments to observe spot prawn ( Pandalus platyceros ) traps at 100 m depth. Preliminary analyses of animal–prawn trap interactions yield novel insights. We provide future directions for researchers to use this type of camera system to study deep water‐dwelling species around the world.
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 | 0,000 |
| 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 ».