Comparing the Performance of a Remotely Operated Vehicle, a Drop Camera, and a Trawl in Capturing Deep-Sea Epifaunal Abundance and Diversity
Notice bibliographique
Résumé
Deep-sea ecosystems provide services such as food, minerals, and nutrient recycling, yet baseline data on their structure is often lacking. Our limited knowledge of vulnerable deep-sea ecosystems presents a challenge for effective monitoring and mitigation of increasing anthropogenic threats, including destructive fishing and climate change. Using data from two stations differing in total epifaunal abundance and taxonomic composition, we compared the use of imagery collected by two non-invasive tools [remotely operated vehicle (ROV) and drop camera] and data collected with a trawl system, commonly used to quantify epibenthic megafauna in the deep sea. Imagery and trawl data captured different epifaunal patterns, the former being more efficient for capturing epifauna, particularly Pennatulacean recruits. The image-based methods also caused less disturbance, had higher position accuracy, and allow for analyses of spatial structure and species associations; fine-scale distributions could not be elucidated with a trawl. Abundance was greater for some taxa, and diversity accumulated faster with increasing sample size for the drop camera than the ROV at one station. However, there are trade-offs between these tools, including continuous and discrete sampling for the ROV and drop camera, respectively, which can affect follow-up analyses. Our results can be used to inform monitoring frameworks on the use of appropriate sampling tools. We recommend further research into tool sampling biases and biometric relationships to help integrate datasets collected with different tools.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| 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 ».