The Ups and Downs of Using Active Acoustic Technologies to Study Fish at Tidal Energy Sites
Notice bibliographique
Résumé
Active acoustic instruments (echosounders) are well-suited for collecting high-resolution information on fish abundance and distribution in the areas targeted for tidal energy development, which is necessary for understanding the potential risks tidal energy devices pose to fish. However, a large proportion of echosounder data must often be omitted due to high levels of backscatter from air entrained into the water column. To effectively use these instruments at tidal energy sites, we need a better understanding of this data loss and how it may affect estimates of fish abundance and vertical distribution. We examined entrained air contamination in echosounder data from the Fundy Ocean Research Center for Energy (FORCE) tidal energy test site in Minas Passage, Nova Scotia, where current speeds can exceed 5 m·s -1 . Entrained air depth was highly variable and increased with current speed, and contamination was lowest during neap tides. The lower 70% of the water column and current speeds <3 m·s -1 were generally well-represented in the dataset. However, under-sampling of the upper water column and faster speeds strongly affected simulated fish abundance estimates, with error highly dependent on the underlying vertical distribution of fish. Complementary sensing technologies, such as acoustic telemetry and optical instruments, could be used concurrently with echosounders to fill gaps in active acoustic datasets and to maximize what can be learned about fish abundance and distribution at tidal energy sites.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,008 |
| 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 ».