Retrospective Sampling Strategies Using Video Recordings to Estimate Fish Passage at Fishways
Notice bibliographique
Résumé
Abstract Reliable estimates of population size are critical for fisheries management and for testing ecological hypotheses but can be expensive and time consuming to obtain. Sampling methodologies have been developed to obviate complete enumeration, but their effectiveness can be limited by logistical constraints. A posteriori sampling from digital video recordings, however, permits the application of otherwise impractical sampling schemes. We evaluated the time savings of estimating total run size by a posteriori sampling of video recordings (assisted by motion detection software) in comparison with on-site counting methods. The evaluation was based on 9 years of complete counts enumerated either on site or by a posteriori counts from video recordings of alewives Alosa pseudoharengus migrating through a fishway in Nova Scotia. We compared results obtained using analytical estimation methods with results from simulation-based methods and found them to be the same for simple random sampling and daily stratified random sampling. We tested the application of using motion detection software to automatically omit sample units with zero counts from sampling strategies; large reductions in sampling requirements were obtained for data sets with large proportions of zero counts. We also evaluated the effect of sample unit size on sampling effort requirements; use of short but frequent sample units allowed for large reductions in sampling effort. Use of motion detection software in combination with shorter sample units achieved highly significant aggregate reductions in sampling effort. For example, at the shortest tested sample unit size of 1 min, it was possible to reduce sampling requirements to 4 min/d based on daily stratified random sampling to achieve an estimate of the true population within 20% and with 95% confidence. Finally, we evaluated linear interpolation to estimate fish passage for missed days; although average bias was small, bias was substantial when a peak run day was missed.
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 | 0,002 | 0,007 |
| 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 | 0,001 | 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 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 ».