Not all maps are equal: Evaluating approaches for mapping vessel collision risk to large baleen whales
Notice bibliographique
Résumé
Abstract A growing and increasingly globalised human population, requiring the movement of goods and commodities, is placing increasing demands on the maritime industry, resulting in a concurrent increase in global shipping activities. This has consequences for the marine environment, particularly for species vulnerable to the impacts of vessel traffic. For example, vessel collisions can result in sub‐lethal or fatal injuries for marine mammals, whilst vessel noise can cause acoustic masking that effectively reduces an animal's listening space, potentially impacting their communication, navigation and foraging capacity. While a number of parallel approaches to mapping collision risk to large whales have arisen, these methods vary in their focus, usually on either co‐occurrence, collision probability, or probability of mortality. However, little attention has been given to the implications of methodological choice and data selection on subsequent risk predictions. To assess differences between these approaches, we used a standardised input dataset comprised of telemetry‐point data from tagged bowhead whales, and satellite‐based Automated Identification System (AIS) data of spatial vessel movements covering the Davis‐Baffin Arctic Marine Area. We applied this data to eight different, previously published analyses for deriving areas of vessel risk. We found that the choice of risk mapping approach affected the location, and total area, identified as ‘high risk’, and that more computationally complex approaches did not necessarily equate to different predictions. There was considerable variation in the total area of ‘high risk’ predicted within each map (range = 20–42,246 km 2 ). Synthesis and Applications . The results underscore the importance of methodological transparency, informed data selection and careful interpretation when predicting collision risk. We provide practical recommendations for enhancing transparency when predicting risk, and discuss choice of approach suitable for different situations or management applications. It is critical that managers and policy makers are aware of the implications of applying different approaches when interpreting risk evaluation outputs.
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 | 0,032 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».