Evaluating Batch Imaging as a Method for Non-Lethal Identification of Freshwater Fishes
Notice bibliographique
Résumé
Freshwater fish community surveys are an important component of aquatic ecosystem management. However, the standard method for taxonomic identification currently used for these surveys, wherein fishes are manually identified in the field by a taxonomic expert, has several shortcomings. These include handling-related fish injury and mortality, the need for a fish-identification expert to be present during field sampling, and additional fish mortality due to physical voucher collection. These shortcomings may be overcome using new methods such as environmental DNA (eDNA) or image analyses. While eDNA can provide fish community data through metabarcoding, it is costly and provides little ecological information. A novel, image-based method for taxonomic identification (“batch-image identification”), which addresses the shortcomings of standard and eDNA methods, was tested in this study. Fishes were captured in the field and photographed in small groups (“batches”) within fish viewers for subsequent identification by taxonomic experts. Comparing taxonomist-based identifications from batch images to specimen-based identification, batch-image identification yielded an overall species-level correct-identification rate (CIR) of 49.7%, and an overall genus-level CIR of 61.2%. CIR increased with taxonomist expertise, reaching 83% when identification was performed by expert taxonomists. Batch-image identification data also produced rarefaction curves and fish-length measurements comparable to those obtained through standard methods. Potential methodological improvements to batch-image identification, including procedural adjustments and alternative identification methods, provide direction for the continued testing and improvement of this method.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».