Potential Benefits of Vessel Slowdowns on Endangered Southern Resident Killer Whales
Notice bibliographique
Résumé
A voluntary commercial vessel Slowdown trial was conducted through 16 nm of shipping lanes overlapping critical habitat of at-risk southern resident killer whales (SRKW) in the Salish Sea. From August 7 to October 6, 2017, the trial requested piloted vessels to slow to 11 knots speed-through-water. Analysis of AIS vessel tracking data showed that 421 of 951 (44%) piloted transits achieved speeds within one knot of the target (i.e., ≤12 knots) and 55% achieved speeds ≤13 knots. Slowdown results were compared to ‘Baseline’ noise of the same region, matched across lunar months. A local hydrophone listening station in Lime Kiln State Park, 2.3 km from the shipping lane, recorded 1.2 dB reductions in median broadband noise (10-100,000 Hz, rms) compared to the Baseline period, despite longer transit durations during the trial. Filtering for commercial vessels within 6 km radius of Lime Kiln listening station (aiming to remove confounding effects of variability in vessel numbers), and excluding small boat noise, high current and wind speed periods, median noise was reduced by 2.5 dB. The reductions were highest in the 1st decade band (-3.1 dB, 10-100 Hz) and lowest in the 4th decade band (-0.3 dB reduction, 10-100 kHz). A regional vessel noise model predicted noise for a range of traffic volume and vessel speed scenarios for a 1133 km2 ‘Slowdown region’ containing the 16 nm of the trial’s shipping lanes. A temporally and spatially-explicit simulation model was used to evaluate the changes in traffic volume and speed on SRKW in their foraging habitat within this Slowdown region. The simulation model tracked the number and magnitude of noise-exposure events that impacted each of 78 SRKW across different traffic volume-speed scenarios. These metrics were simplified to a cumulative effect termed ‘potential lost foraging time’. The model predicted that the voluntary Slowdown trial achieved 22% reduction in ‘potential lost foraging time’ for SRKW, with 40% reductions under 100% 11 knot participation. Slower vessel speeds reduced underwater noise in the Slowdown area despite longer passage times and therefore suggest this is an effective way to benefit SRKW habitat function in the vicinity of shipping lanes.
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 | 0,001 | 0,003 |
| 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) | 0,001 | 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 ».