Evaluation of discrete target detection with an acoustic Doppler current profiler
Notice bibliographique
Résumé
Abstract Acoustic Doppler current profilers (ADCPs) use the signal scattered back from small suspended drifting particles, such as suspended sediments and planktonic species, to measure water current velocity. Additionally, ADCPs detect signals scattered from fish and other pelagic organisms, but these signals are generally treated as noise and rejected during data processing. However, these rejected signals can contain information on fish movement, which presents an opportunity to extend the application of ADCP technology as a tool for monitoring fish activity. We compare discrete target counts made using an ADCP with those of a split‐beam echosounder in a region of high tidal currents in the Bay of Fundy. The comparison was achieved using a self‐contained bottom‐mounted frame equipped with both a 600‐kHz Teledyne RD Instruments Workhorse ADCP and a 120‐kHz BioSonics DTX Submersible split‐beam echosounder system. The discrete targets were identified using a combination of signal correlation and volume backscatter (S V ) thresholds in the ADCP data and using a fish tracking algorithm in the split‐beam echosounder data. The resulting ADCP discrete target counts agreed with fish tracking counts made from the co‐located split‐beam echosounder. Notably, discrete targets recorded by the ADCP could be differentiated from entrained air using a high signal correlation threshold. This method can expand the application of ADCP data for biophysical assessments for fisheries management and could be of particular use in rivers and tidal channels.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».