Ground-truthing the ground-truth: reply to Garibaldi et al.'s comment on “Managing fisheries from space: Google Earth improves estimates of distant fish catches”
Notice bibliographique
Résumé
There has been a growing interest in the potential of Google Earth for scientific inquiries, and our previous paper (Al-Abdulrazzak and Pauly, 2014. Managing fisheries from space: Google Earth improves estimates of distant fish catches. ICES Journal of Marine Science, 71: 450–454) on weirs and their catch in the Persian Gulf is a case in point. Garibaldi et al. (2014. Comment on: “Managing fisheries from space: Google Earth improves estimates of distant fish catchs” by Al-Abdulrazzak and Pauly. ICES Journal of Marine Science), while agreeing in principle with using Google Earth for fisheries-related purposes, criticized the assumptions, data, methodology, and results of this paper. Here, we refute their criticisms, notably by showing that the “derelict weirs” that they thought they had “ground-truthed” are not weirs at all, but another type of fishing gear in one case, and debris from a boat anchoring system in the other. We develop the theme that ground-truthing requires local knowledge, and provide recommendations for using Google Earth images in fisheries management.
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 | 0,031 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,016 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,060 | 0,110 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,008 |
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 ».