Status and future recommendations for recording and monitoring litter on the Arctic seafloor
Notice bibliographique
Résumé
Marine litter in the Arctic Basin is influenced by transport from Atlantic and Pacific waters. This highlights the need for harmonization of guidelines across regions. Monitoring can be used to assess temporal and spatial trends but can also be used to assess if environmental objectives are reached, for example, to evaluate the effectiveness of mitigation measures. Seafloor monitoring by trawling needs substantial resources and specific sampling strategies to be sufficiently robust to demonstrate changes over time. Observation and visual evaluation in shallow and deep waters using towed camera systems, remotely operated underwater vehicles, and submersibles are well suited for the Arctic environment. The use of imagery still needs to be adjusted through automation and image analyses, including deep learning approaches and data management, but will also serve to monitor areas with a rocky seafloor. We recommend developing a monitoring plan for seafloor litter by selecting representative sites for visual inspection that cover different depths and substrata in marine landscapes, and recording the litter collected or observed across all forms of seafloor sampling or imaging. We need better coverage and knowledge of status of seafloor litter for the whole Arctic and recommend initiatives to be taken for regions where such knowledge is lacking.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,008 | 0,003 |
| Intégrité de la recherche | 0,012 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».