Use of underwater video to assess freshwater fish populations in dense submersed aquatic vegetation
Notice bibliographique
Résumé
Underwater video cameras (UVC) provide a non-lethal technique to sample fish in dense submersed aquatic vegetation. Fish often inhabit densely vegetated areas, but deficiencies of most sampling gears bias relative abundance estimates that inform fisheries management. This study developed methods using UVC to estimate relative abundance in dense vegetation using three experimental ponds covered with surface-matted hydrilla (Hydrilla verticillata) stocked at different densities of Lepomis spp. and largemouth bass (Micropterus salmoides). We conducted UVC point counts over 13 weeks to measure relative fish abundance and occurrence from video analysis. Ponds were then drained to obtain true fish densities. In total, fish were detected in 55% of all counts and juvenile and adult Lepomis spp. and largemouth bass were enumerated. End-of-season true fish densities ranged across ponds (from 52 to 37 000 fish ha–1). Additionally, pond 2’s true density changed substantially from 370 to 12 300 fish ha–1. True population size was accurately reflected in differences in estimated relative abundances obtained from fish counts, as in pond 2 where mean fish counts increased from 0.10 in week 1 to 2.33 by week 13. Underwater video accurately and precisely quantified relative abundance at naturally-occurring fish densities, but this success was reduced at low densities.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».