Predicting fish weight using photographic image analysis: a case study of broad whitefish in the lower Mackenzie River watershed
Notice bibliographique
Résumé
Many small-scale fisheries are remote in nature, making data collection logistically difficult. Thus, there is a need for accessible solutions that address the data gaps present in these fisheries. One possible solution is to incorporate photography into community- or harvest-based monitoring frameworks and employ these images to estimate biological data. Here, we test this approach using łuk dagaii, or broad whitefish, Coregonus nasus (Pallus, 1776) in the Gwich'in Settlement Area, a remote region in the Mackenzie River system in Canada's Northwest Territories. We used photographs taken by Gwich'in collaborators using a simple, standardized set-up to ask the question: how accurately can weight be estimated from a photo? Using random forest models based on morphometric photograph measurements as well as season and location of harvest, we predicted broad whitefish weight to within 13% of true weight (257 g, for fish weighing an average of 2036 g). The model predictions were well distributed in their residuals for most fish, though we discuss biases at low and high weights. Image analysis is a simple, low cost, and accessible method that may contribute to ongoing, community/harvest-based fishery data collection where fish length (measured) and weight (predicted) can be tracked through time.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».