Accuracy and Precision of Low-Cost Echosounder and Automated Data Processing Software for Habitat Mapping in a Large River
Notice bibliographique
Résumé
The development of consumer hydroacoustic systems continues to advance, enabling the use of low-cost methods for professional mapping purposes. Information describing habitat characteristics produced with a combination of low-cost commercial echosounder (Lowrance HDS) and a cloud-based automated data processing tool (BioBase EcoSound) was tested. The combination frequently underestimated water depth, with a mean absolute error of 0.17 ± 0.13 m (avg ± 1SD). The average EcoSound bottom hardness value was high (0.37–0.5) for all the substrate types found in the study area and could not be used to differentiate between the substrate size classes that varied from silt to bedrock. Overall, the bottom hardness value is not informative in an alluvial river bed setting where the majority of the substrate is composed of hard sands, gravels, and stones. EcoSound separated vegetation presence/absence with 85–100% accuracy and assigned vegetation height (EcoSound biovolume) correctly in 55% of instances but often overestimated it in other instances. It was most accurate when the vegetation canopy was ≤25% or >75% of the water column. Overall, as a low-cost, easy-to-use application EcoSound offers rapid data collection and allows users with no specialized skill requirements to make more detailed bathymetry and vegetation maps than those typically available for many rivers, lakes, and estuaries.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».