MétaCan
Menu
Retour à la cohorte
Enregistrement W3090712936 · doi:10.1111/jfb.14574

Application of machine learning to identify predators of stocked fish in<scp>Lake Ontario</scp>: using acoustic telemetry predation tags to inform management

2020· article· en· W3090712936 sur OpenAlexafffundabout
Natalie V. Klinard, Jordan K. Matley, Silviya V. Ivanova, Sarah M. Larocque, Aaron T. Fisk, Timothy B. Johnson

Notice bibliographique

RevueJournal of Fish Biology · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensMinistry of Natural Resources and ForestryUniversity of Windsor
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMinistry of Natural ResourcesGreat Lakes Fishery Commission
Mots-clésPredationSalvelinusBiologyTroutStockingPredatorFisheryTelemetryForage fishBrown troutEcologyFish <Actinopterygii>

Résumé

récupéré en direct d'OpenAlex

Understanding predator-prey interactions and food web dynamics is important for ecosystem-based management in aquatic environments, as they experience increasing rates of human-induced changes, such as the addition and removal of fishes. To quantify the post-stocking survival and predation of a prey fish in Lake Ontario, 48 bloater Coregonus hoyi were tagged with acoustic telemetry predation tags and were tracked on an array of 105 acoustic receivers from November 2018 to June 2019. Putative predators of tagged bloater were identified by comparing movement patterns of six species of salmonids (i.e., predators) in Lake Ontario with the post-predated movements of bloater (i.e., prey) using a random forests algorithm, a type of supervised machine learning. A total of 25 bloater (53% of all detected) were consumed by predators on average (± S.D.) 3.1 ± 2.1 days after release. Post-predation detections of predators occurred for an average (± S.D.) of 78.9 ± 76.9 days, providing sufficient detection data to classify movement patterns. Tagged lake trout Salvelinus namaycush provided the most reliable classification from behavioural predictor variables (89% success rate) and was identified as the main consumer of bloater (consumed 50%). Movement networks between predicted and tagged lake trout were significantly correlated over a 6 month period, supporting the classification of lake trout as a common bloater predator. This study demonstrated the ability of supervised learning techniques to provide greater insight into the fate of stocked fishes and predator-prey dynamics, and this technique is widely applicable to inform future stocking and other management efforts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,517
Score d'incertitude au seuil0,961

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,263
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Fish BiologyMême sujetFish Ecology and Management StudiesTravaux en français237 207