Predicting dreissenid mussel abundance in nearshore waters using underwater imagery and deep learning
Notice bibliographique
Résumé
Abstract Accurate and cost‐effective dreissenid mussel abundance maps are vital to assess their ecological roles in aquatic systems. A deep neural network (DNN) modeling framework using semantic segmentation was developed to automatically assess the abundance distribution of two invasive mussel species: zebra and quagga. DNN models were trained on images captured in Lake Erie and Lake Ontario using an underwater color imaging technique. The accuracy of the method was assessed relative to manual laboratory counts of harvested mussels, their dry biomass, and percentage live coverage estimated from fixed‐size quadrats. Assessments performed on a test set collected from 2016 to 2018 show that DNN‐based mussel coverage predictions explain 79% of the variance in log biomass, and 71% for log abundance ( N = 125). For reference, live coverage estimated by scuba divers was transformed and found to be a better predictor of biomass (93%) and abundance (91%) ( N = 725), leaving room for improvement of our automated method. When identical images were presented to eight human analysts and the DNN, the agreement in live mussel coverage prediction was 85% ( N = 189). Models generalize well to diverse underwater illuminations, camera orientations, and resolutions, but are adversely impacted by occluding vegetation and suspended sediment. DNN models are an efficient and accurate solution for mapping mussel abundances at a scale that was previously impossible. The method may be integrated with other studies to assess the mussels' impacts in a variety of aquatic ecosystems. Source code: https://github.com/AngusG/deep-learning-dreissenid and data https://doi.org/10.5683/SP3/MZEBOJ for reproducing our method are publicly available.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».