Walruses from space: walrus counts in simultaneous remotely piloted aircraft system versus very high‐resolution satellite imagery
Notice bibliographique
Résumé
Abstract Regular counts of walruses (Odobenus rosmarus) across their pan‐Arctic range are necessary to determine accurate population trends and in turn understand how current rapid changes in their habitat, such as sea ice loss, are impacting them. However, surveying a region as vast and remote as the Arctic with vessels or aircraft is a formidable logistical challenge, limiting the frequency and spatial coverage of field surveys. An alternative methodology involving very high‐resolution (VHR) satellite imagery has proven to be a useful tool to detect walruses, but the feasibility of accurately counting individuals has not been addressed. Here, we compare walrus counts obtained from a VHR WorldView‐3 satellite image, with a simultaneous ground count obtained using a remotely piloted aircraft system (RPAS). We estimated the accuracy of the walrus counts depending on (1) the spatial resolution of the VHR satellite imagery, providing the same WorldView‐3 image to assessors at three different spatial resolutions (i.e., 50, 30 and 15 cm per pixel) and (2) the level of expertise of the assessors (experts vs. a mixed level of experience – representative of citizen scientists). This latter aspect of the study is important to the efficiency and outcomes of the global assessment programme because there are citizen science campaigns inviting the public to count walruses in VHR satellite imagery. There were 73 walruses in our RPAS ‘control’ image. Our results show that walruses were under‐counted in VHR satellite imagery at all spatial resolutions and across all levels of assessor expertise. Counts from the VHR satellite imagery with 30 cm spatial resolution were the most accurate and least variable across levels of expertise. This was a successful first attempt at validating VHR counts with near‐simultaneous, in situ, data but further assessments are required for walrus aggregations with different densities and configurations, on different substrates.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».