Quantifying fish avoidance of small acoustic survey vessels in boreal lakes and reservoirs
Notice bibliographique
Résumé
Abstract Mobile hydroacoustic surveys are increasingly used to assess the distribution and abundance of freshwater fish; yet, fish may avoid moving vessels, potentially introducing bias in these assessments. In this study, avoidance in boreal lakes and reservoirs was quantified by developing a simple method based on paired drift:drift (D:D) and drift:motor (D:M) transects. Two systems in eastern Manitoba, Canada were studied: Lac du Bonnet reservoir and Nopiming. Acoustic data were collected using a digital DTX echosounder (BioSonics, Seattle, WA, USA), with a downward facing 200‐kHz split‐beam transducer, deployed from 5.5‐m vessels (Boston Whalers) modified for acoustic research. An avoidance coefficient ( Ac ) was developed based on comparisons of acoustic fish densities while the vessel moved over the same transects by drifting, and by motoring at survey speeds. Ac did not differ significantly from 1 (no avoidance) at Nopiming (median of 0.81, n = 13), but did at Lac du Bonnet (median of 0.51, n = 31, P < 0.05). Variability in Ac was as high in transect pairs and was unrelated to fish depth (mean 6.9 m at Lac du Bonnet; 13.1 m at Nopiming) or survey speed (up to 3.70 m·s −1 , 7 knots). Results indicated that fishes did not dive in the presence of the motoring vessel, nor was avoidance size‐based. We did not detect any evidence of fish attraction to our drifting vessel. Our results suggest that boat avoidance during acoustic surveys of shallow boreal lakes may vary in relatively similar water bodies but can be quantified experimentally.
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 ».