Developing a predictive model to identify Sea Lamprey parasitism on Lake Trout using biologgers
Notice bibliographique
Résumé
Abstract Objective Sea Lamprey Petromyzon marinus remain problematic for Lake Trout Salvelinus namaycush restoration in the Laurentian Great Lakes. Fisheries assessments would benefit from knowledge of spatial–temporal patterns of Sea Lamprey parasitism on Lake Trout; however, such patterns are challenging to estimate from wounding rates on caught Lake Trout. Electronic tags have been used to identify distinct fish behaviors (e.g., foraging or spawning) using measurements of acceleration or heart rate. We hypothesized that Sea Lamprey attachment would elicit changes in the heart rate and swimming behavior of Lake Trout. Here, we determined whether tagging devices could record these changes and whether we could accurately predict lamprey attachment on Lake Trout using these recordings. Methods Adult Lake Trout (n = 34) were implanted with acceleration and heart rate tags and then were subjected to Sea Lamprey parasitism within a laboratory setting. Approximately 70 different acceleration and heart rate metrics were collected and tried as predictors of lamprey attachment. The top variables were used to train random forest models and then tried on test data sets. The accuracy of these models was then validated using a jackknife approach. Result Metrics related to body orientation and heart rate were identified as the best predictors of Sea Lamprey attachment. The best models predicted lamprey attachments with high accuracy; however, individual-level jackknife tests resulted in less accurate cross-individual prediction and regularly predicted false negatives. These findings may be related to individual variance in the Lake Trout response to attachment, but there was evidence that the shifting of tags after implantation impacted predictive performance, which could be remedied with adjustments during implantation. Conclusions Our study highlights the potential to use tagging devices for quantifying Sea Lamprey attachments on Lake Trout in the wild. Further development appears necessary; however, once improved, these predictive models have the potential to generate field-based estimates of Sea Lamprey attack rates on Lake Trout.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».