The Potential Use of Remote Underwater Video (RUV) to Evaluate Small-Bodied Fish Assemblages
Notice bibliographique
Résumé
Successful aquatic ecosystem conversation strategies depend on high-quality data from monitoring studies and improved habitat requirement knowledge. Remote Underwater Video (RUV) is a non-extractive alternative to capture-based techniques for studying and monitoring fish and is increasingly used in smaller channels. This study uses field observations made with waterproof Sony HDR-AS100V action cameras positioned in stream channels to determine species and population during various flow conditions across three sites within the Credit River Watershed, Ontario, Canada. Six fish species were identified, and individual fish lengths were estimated using the inverse square law to proportionally adjust size scales to fish positions relative to the camera. Successful identification and measurements were limited by turbidity, with camera placements in >6 NTU conditions (18% of all placements) resulting in at least one fish observed in the frame. With over 24 h of video recordings with 94 individual video clips, the optimal filming duration was determined to be 20–25 min. RUV surveys provide managers with useful monitoring data regarding fish present in an environment in a cost-effective and efficient manner. Additionally, as the method is largely non-invasive, RUV surveys are especially useful for studying fish behaviour, sensitive or endangered species, and working in difficult-to-access channels (e.g., shallow, faster flow).
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».