MétaCan
Menu
Retour à la cohorte
Enregistrement W4396736214 · doi:10.1002/rse2.396

Estimating beluga whale abundance from space: using drones to ground‐validate VHR satellite imagery

2024· article· en· W4396736214 sur OpenAlexaff
J. Stewart, Justine Hudson, Bryanna A. H. Sherbo, Cortney A. Watt

Notice bibliographique

RevueRemote Sensing in Ecology and Conservation · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine animal studies overview
Établissements canadiensUniversity of ManitobaFisheries and Oceans Canada
Organismes subventionnairesnon disponible
Mots-clésBeluga WhaleWhaleSatelliteDroneRemote sensingSatellite imageryEnvironmental scienceAbundance (ecology)FisheryGeographyOceanographyGeologyBiologyPhysicsArcticAstronomy

Résumé

récupéré en direct d'OpenAlex

Abstract Routine monitoring of cetaceans is imperative for understanding their population trends and making informed management decisions. However, the inherent nature of cetaceans and the marine ecosystems they inhabit make annual population surveys logistically and economically challenging with current survey methods. One emerging solution is utilizing very high‐resolution (VHR) satellite imagery, which is a logistically efficient method for providing an instantaneous view of areas spanning hundreds of square kilometers. The objective of this study was to determine two factors required to reliably conduct beluga whale population abundance estimates with VHR satellite imagery: (1) depths that beluga whales are visible in VHR satellite images, which are used to define availability bias correction factors, and (2) a comparison of abundance estimates in VHR satellite imagery to current aerial methods. We submerged beluga whale models to different depths in two different water clarities and determined that beluga whales are distinguished only at the surface in turbid water (Secchi depth: 2.56 m) and at depths of 0–2 m in clear water (Secchi depth: 4.04 m). Based on the proportion of time beluga whales spend at these depths, an availability bias correction factor for Western Hudson Bay beluga whales was defined as 2.40 ± 0.16 for turbid water and 1.89 ± 0.05 for clear water. Synchronous ground‐validation surveys determined availability corrected beluga whale abundance estimates in 0.31 m VHR satellite imagery ( n = 173 beluga whales) and imagery that was HD sharpened using a proprietary algorithm to approximate 0.15 m resolution ( n = 170) to be comparable to drone imagery ( n = 164). VHR satellite imagery has the potential to increase the frequency of beluga whale population surveys, which has become increasingly important as beluga whales face rapid ecosystem changes and increased anthropogenic disturbances.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,702
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,022
Tête enseignante GPT0,263
Écart entre enseignants0,241 · 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

Citations14
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote Sensing in Ecology and ConservationMême sujetMarine animal studies overviewTravaux en français237 207