Animal Counting Toolkit: a practical guide to small-boat surveys for estimating abundance of coastal marine mammals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Small cetaceans (dolphins and porpoises) face serious anthropogenic threats in coastal habitats. These include bycatch in fisheries; exposure to noise, plastic and chemical pollution; disturbance from boaters; and climate change. Generating reliable abundance estimates is essential to assess sustainability of bycatch in fishing gear or any other form of anthropogenic removals and to design conservation and recovery plans for endangered species. Cetacean abundance estimates are lacking from many coastal waters of many developing countries. Lack of funding and training opportunities makes it difficult to fill in data gaps. Even if international funding were found for surveys in developing countries, building local capacity would be necessary to sustain efforts over time to detect trends and monitor biodiversity loss. Large-scale, shipboard surveys can cost tens of thousands of US dollars each day. We focus on methods to generate preliminary abundance estimates from low-cost, small-boat surveys that embrace a 'training-while-doing' approach to fill in data gaps while simultaneously building regional capacity for data collection. Our toolkit offers practical guidance on simple design and field data collection protocols that work with small boats and small budgets, but expect analysis to involve collaboration with a quantitative ecologist or statistician. Our audience includes independent scientists, government conservation agencies, NGOs and indigenous coastal communities, with a primary focus on fisheries bycatch. We apply our Animal Counting Toolkit to a smallboat survey in Canada's Pacific coastal waters to illustrate the key steps in collecting line transect survey data used to estimate and monitor marine mammal abundance.
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.
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 | 0,007 | 0,013 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle