Application of the Acoustic Propagation Model to a deep‐water cross‐shelf curtain
Notice bibliographique
Résumé
Summary A good understanding of acoustic coverage and temporal variation relative to environmental conditions is crucial for accurate interpretation of results from acoustic tracking studies and ensuing appropriate management recommendations. In their recent paper, Gjelland & Hedger ( Methods in Ecology and Evolution , 2017) suggest that the general detection probability model proposed by Gjelland & Hedger ( Methods in Ecology and Evolution , 2013, 4, 665–674) was not appropriately used in Huveneers et al . ( Methods in Ecology and Evolution , 2016, 7, 825–835). The intent of the comparison in Huveneers et al . (2016) was to evaluate the Acoustic Propagation Model ( APM ) in a situation when parameterisation is not logistically feasible. This can be the case when reference tags have not been deployed, or when the distance between tagged animals and receivers cannot be accurately estimated or cannot be obtained under sufficiently varied weather conditions. Even when parameterisation is possible, there will be situations where the APM does not account for all factors affecting detection probability, e.g. deep‐water receivers where density gradients can affect sound propagation. Re‐parameterisation of the APM based on clarification in Gjelland & Hedger (2017) and application to a deep‐water cross‐shelf receiver array showed similar detection range to a logistic model until about ˜750 m distance, after which the APM resulted in unrealistically high detection probability estimates. The need for large amounts of data to parameterise the APM and achieve good statistical fit negates the value of the theoretical propagation model. Detection range can also be affected by a broad range of factors, many of which are not included within the APM . The complexity of the way different environmental factors can influence acoustic detections and the variability of environments in which acoustic tracking studies are undertaken make it challenging to develop a general model applicable across environments. We support further improvement of the APM and recommend the use of reference tags to collect necessary data to parameterise the APM and assess factors influencing detection probability.
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 | 0,001 |
| 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 ».