Automated identification system for ships data as a proxy for marine vessel related stressors
Notice bibliographique
Résumé
An increasing number of marine conservation initiatives rely on data from Automatic Identification System (AIS) to inform marine vessel traffic associated impact assessments and mitigation policy. However, a considerable proportion of vessel traffic is not captured by AIS in many regions of the world. Here we introduce two complementary techniques for collecting traffic data in the Canadian Salish Sea that rely on optical imagery. Vessel data pulled from imagery captured using a shore-based autonomous camera system ("Photobot") were used for temporal analyses, and data from imagery collected by the National Aerial Surveillance Program (NASP) were used for spatial analyses. The photobot imagery captured vessel passages through Boundary Pass every minute (Jan-Dec 2017), and NASP data collection occurred opportunistically across most of the Canadian Salish Sea (2017-2018). Based on photobot imagery data, we found that up to 72 % of total vessel passages through Boundary Pass were not broadcasting AIS, and in some vessel categories this proportion was much higher (i.e., 96 %). We fit negative binomial General Linearized Models to our photobot data and found a strong seasonal variation in non-AIS, and a weekend/weekday component that also varied by season (interaction term p < 0.0001). Non-AIS traffic was much higher during the summer (Apr-Sep) and during the weekend (Sat-Sun), reflecting patterns in recreational vessel traffic not obligated to broadcast AIS. Negative binomial General Additive Models based on the NASP data revealed strong spatial associations with distance from shore (up to 10 km) and non-AIS vessel traffic for both summer and winter seasons. There were also associations between non-AIS vessels and marina and anchorage densities, particularly during the winter, which again reflect seasonal recreational vessel traffic patterns. Overall, our GAMs explained 20-37 % of all vessel traffic during the summer and winter, and highlighted subregions where vessel traffic is under represented by AIS.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».