Fish Farms at Sea: The Ground Truth from Google Earth
Notice bibliographique
Résumé
In the face of global overfishing of wild-caught seafood, ocean fish farming has augmented the supply of fresh fish to western markets and become one of the fastest growing global industries. Accurate reporting of quantities of wild-caught fish has been problematic and we questioned whether similar discrepancies in data exist in statistics for farmed fish production. In the Mediterranean Sea, ocean fish farming is prevalent and stationary cages can be seen off the coasts of 16 countries using satellite imagery available through Google Earth. Using this tool, we demonstrate here that a few trained scientists now have the capacity to ground truth farmed fish production data reported by the Mediterranean countries. With Google Earth, we could examine 91% of the Mediterranean coast and count 248 tuna cages (circular cages >40 m diameter) and 20,976 other fish cages within 10 km offshore, the majority of which were off Greece (49%) and Turkey (31%). Combining satellite imagery with assumptions about cage volume, fish density, harvest rates, and seasonal capacity, we make a conservative approximation of ocean-farmed finfish production for 16 Mediterranean countries. Our overall estimate of 225,736 t of farmed finfish (not including tuna) in the Mediterranean Sea in 2006 is only slightly more than the United Nations Food and Agriculture Organization reports. The results demonstrate the reliability of recent FAO farmed fish production statistics for the Mediterranean as well as the promise of Google Earth to collect and ground truth data.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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 ».