Mapping Fish Community Variables by Integrating Field and Satellite Data, Object-Based Image Analysis and Modeling in a Traditional Fijian Fisheries Management Area
Notice bibliographique
Résumé
The use of marine spatial planning for zoning multi-use areas is growing in both developed and developing countries. Comprehensive maps of marine resources, including those important for local fisheries management and biodiversity conservation, provide a crucial foundation of information for the planning process. Using a combination of field and high spatial resolution satellite data, we use an empirical procedure to create a bathymetric map (RMSE 1.76 m) and object-based image analysis to produce accurate maps of geomorphic and benthic coral reef classes (Kappa values of 0.80 and 0.63; 9 and 33 classes, respectively) covering a large (>260 km2) traditional fisheries management area in Fiji. From these maps, we derive per-pixel information on habitat richness, structural complexity, coral cover and the distance from land, and use these variables as input in models to predict fish species richness, diversity and biomass. We show that random forest models outperform five other model types, and that all three fish community variables can be satisfactorily predicted from the high spatial resolution satellite data. We also show geomorphic zone to be the most important predictor on average, with secondary contributions from a range of other variables including benthic class, depth, distance from land, and live coral cover mapped at coarse spatial scales, suggesting that data with lower spatial resolution and lower cost may be sufficient for spatial predictions of the three fish community variables.
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 | 0,000 | 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 ».