The future of fish age estimation: deep machine learning coupled with Fourier transform near-infrared spectroscopy of otoliths
Notice bibliographique
Résumé
Our novel approach for fish age prediction uses quantitative analysis of Fourier transform near-infrared (FT-NIR) spectra of otoliths by means of multimodal convolutional neural networks (MMCNN). We integrate two key data modalities that are related to fish ages: the entire range of wavenumbers of FT-NIR spectra and corresponding biological and geospatial data for nearly 9000 walleye pollock ( Gadus chalcogrammus) specimens. The proposed model extracts informative spectral features automatically and elucidates hidden structural relationships associated with fish growth to improve age predictions. Absorbance associated with 7000 to 4000 cm −1 wavenumbers had the highest influence on model predictions followed by fish length, latitude, depth, and temperature. The optimal model resulted in good overall performance with an R 2 of 0.93 and RMSE of 0.83 for training data set and R 2 of 0.92 and RMSE of 0.91 for test data set. MMCNN's age predictions were comparable to microscope-based ages yielding as good or slightly better precision. Moreover, the model outperformed classical partial least squares analysis of otolith spectra and remedied prediction bias at older ages of fish.
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 | 0,000 | 0,000 |
| 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 ».