A review and tests of validation and sensitivity of geolocation models for marine fish tracking
Notice bibliographique
Résumé
Abstract Uncertainties in fish tracking studies limit their integration into conservation and fisheries management plans. This is especially true for archival tagging studies that rely on geolocation models to infer fish tracks from recorded environmental variables. Hidden Markov Models (HMMs) are increasingly popular to geolocate marine fish equipped with archival tags; however, true errors and sensitivity of geolocation HMMs are seldom evaluated. In this study, we first review validation methods and implementations of geolocation HMMs to adapt to regional oceanography, fish species and tag data. We then use a case‐study to evaluate strengths and limitations of each validation approach and to illustrate the sensitivity of geolocation HMMs to implementation assumptions. Simulated and fixed tag locations are the most widely implemented methods, but less common methods relying on true fish tracking, that is double‐tagging or distance from recapture experiments, provide more informative estimates of model accuracy and precision. Results showed that model performance can be improved using simple assumptions when pre‐processing tag data rather than using a complex movement behaviour model. In addition, accelerometer show potential to further parameterise geolocation models. Overall, results from our case‐study and previous studies showed that current geolocation HMMs have average errors of ca. 30–50 and 120 km for demersal and large pelagic fish, respectively. We suggest that these errors are acceptable for investigations at the scale of fisheries management units.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».