Acoustic monitoring of marine environmental quality: An example from the Estuary and Gulf of St. Lawrence
Notice bibliographique
Résumé
As a part of the Canada’s Ocean Protection Plan, Fisheries and Oceans Canada has joined the efforts to better understand and monitor the effects of anthropogenic noise on marine environmental quality. Since 2017, underwater acoustic observatories were put in place across endangered whale habitats leading to the acquisition of big underwater acoustic dataset to process and analyze. In the Estuary and Gulf of St. Lawrence, underwater noise has been continuously monitored at 13 locations (6 to 10 simultaneously) between 2018 and 2023 at sampling rate up to 256 ksps in order to better understand the effect of shipping noise on marine environmental quality of the endangered St. Lawrence estuary beluga habitat. In this presentation, the data analysis pipeline from in situ sampling to processing is detailed, including recording schemes, data quality and control, soundscape cube, source separation, multi-scale statistics on noise levels and risk of impacts on habitat quality and visualization. These steps are used to identify, characterize and quantify daily to interannual spectral variability of underwater noise and their relationship with local environmental forcings such as shipping, wind, ice, tides, and currents at targeted locations. Ultimately, these results are used to provide support to (1) marine conservation and spatial planning initiatives from DFO and the Saguenay St. Lawrence Marine Parc; and (2) assess the predictability power of the outputs of soundscape modeling.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».