Advancements in Riverine Fish Movement Modeling: Bridging Environmental Complexity and Fish Behavior
Notice bibliographique
Résumé
Understanding fish movement and response in relation to their environment near infrastructure and migratory barriers is crucial for developing sustainable fisheries management solutions. Intermediate-scale (time scales of minutes to days and spatial scales less than 2 km) movement models are a contemporary approach for understanding and predicting movement patterns of riverine fish in light of their changing environment, which is predominately water flow (i.e., flow direction, flow magnitude, and rates of change). These models can be complex and require interdisciplinary knowledge. For more than 60 years, different approaches have been developed for investigating, reproducing, and predicting the movement outcomes of fish decision making. Due to the breadth of model frameworks available, a systematic review is helpful to summarize the available knowledge including a description of general model properties, environment modeling, agent characteristics, and methods of data use, output, and validation. The analysis of 38 studies found a wide range of model frameworks and architectures. Despite the lack of consistency, each model imposed some combination of the following behaviors: response to flow direction (i.e., rheotaxis), response to flow velocity magnitude, response to turbulence, response to depth, and memory/experience of the individual. There is a clear need for more consistent modeling approaches, increased consideration of memory/experience, inclusion of a wider range of species, incorporation of more detailed environmental covariates, and use of time-dependent solutions in fish movement models.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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 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 ».