Measuring Tailbeat Frequencies of Three Fish Species from Adaptive Resolution Imaging Sonar Data
Notice bibliographique
Résumé
Abstract Imaging sonars, such as the Adaptive Resolution Imaging Sonar (ARIS), provide high‐resolution sonar data that are used in fisheries research and management. While sonar methods have enormous potential for making population estimates, species identification via sonar remains an unresolved challenge. One method that may overcome this challenge involves measuring tailbeat frequencies to guide species differentiation. The tailbeat frequencies of three commonly sympatric anadromous fish species of eastern North America, Atlantic Salmon Salmo salar, Striped Bass Morone saxatilis, and American Shad Alosa sapidissima, were measured from imaging sonar data collected in an experimental low‐flow, short‐range setup. The frequencies were significantly different between the species (mean ± 1 SD beats/s: 0.6 ± 0.3 [Atlantic Salmon], 0.9 ± 0.2 [Striped Bass], and 1.4 ± 0.3 [American Shad]) when measured using a previously established manual method. Building on this, an automated method was developed and tested, and the method showed promising results. However, when compared to manually identified number of beats the error was large (on average, 1.1 [Atlantic Salmon], 4.8 [Striped Bass], and −0.4 [American Shad] beats in a fish track), especially in high fish densities. Despite the limitations, the automated method has utility in fisheries management when high‐quality data can be collected for species with differing tailbeat frequencies.
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 | 0,001 | 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 ».