Benthic video image analysis facilitates monitoring of Dreissena populations across spatial scales
Notice bibliographique
Résumé
In contrast to marine systems where remote sensing methods in studies of benthic organisms have been widely used for decades, these methods have experienced limited use in studies of freshwater benthos due to the general lack of large epifauna. The situation has changed with the introduction of dreissenid bivalves capable of creating visible aggregations on lake bottoms into North American freshwaters in the 1980s and 1990s. The need for assessment of Dreissena densities prompted exploration of videography as a potentially cost-effective tool. We developed a novel sampling method that analyzes video recorded using a GoPro camera mounted to a benthic sled to estimate Dreissena coverage, density, and biomass over relatively large areas of the lake bed in the Laurentian Great Lakes compared to traditional sampling methods. Using this method, we compared quagga mussel coverage, density, and biomass estimates based on three replicate Ponar grabs vs. 500 m-long video transects across 43 stations sampled in Lake Michigan in 2015. Our results showed that analysis of images from video transects dramatically increased the bottom area surveyed compared to Ponar grabs and increased the precision of Dreissena density and biomass estimations at monitoring stations. By substantially increasing the ability to detect relatively small (<20%) changes between years within a particular station, this method could be a useful and cost-effective addition for monitoring Dreissena populations in the Great Lakes and other freshwater systems where they occur.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,001 | 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 ».