MétaCan
Menu
Retour à la cohorte
Enregistrement W4388634460 · doi:10.3390/jmse11112151

A Probabilistic Methodology for Determining Collision Risk of Marine Animals with Tidal Energy Turbines

2023· article· en· W4388634460 sur OpenAlexafffundabout
Andrea Copping, Daniel J. Hasselman, Charles W. Bangley, Joel Culina, Max Carcas

Notice bibliographique

RevueJournal of Marine Science and Engineering · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Resources CanadaU.S. Department of Energy
Mots-clésTidal powerEnvironmental scienceMarine energyProbabilistic logicSoftware deploymentTurbineMarine engineeringRisk analysis (engineering)Environmental resource managementComputer scienceRenewable energyEcologyEngineeringBusinessBiology

Résumé

récupéré en direct d'OpenAlex

Commercial development of tidal stream energy is hampered by technical and financial challenges, and impeded by uncertainty about potential environmental effects that drive environmental risk assessments and permitting (consenting) processes. The effect of greatest concern for operational tidal stream energy devices is the potential for marine animals to collide with turbine blades, resulting in injury or death. Due to the turbulent and often turbid waters that frequently characterize tidal turbine sites, there is an absence of empirical evidence about collisions with marine animals. This paucity of observations often leads to risk-averse permitting decisions that further restrict the deployment of tidal energy devices that are needed to collect this evidence. This paper relies on the framework of stressors and receptors that is widely used in marine energy studies and outlines a stepwise probabilistic methodology that applies existing knowledge to further elucidate the risk to marine animals from operational tidal turbines. A case study using striped bass from the Bay of Fundy, Canada, accompanies the methodology, to partially demonstrate its application.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,291
Score d'incertitude au seuil0,236

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,239
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Marine Science and EngineeringMême sujetFish Ecology and Management StudiesTravaux en français237 207