Marine monitors: Land-based citizen science observations show AIS data underrepresents coastal vessel traffic co-occurring with marine mammals
Notice bibliographique
Résumé
Marine mammals are vulnerable to a variety of impacts from vessels, including underwater noise disturbance and injury from collision. To quantify this risk, AIS (Automatic Identification System) vessel tracking data is often used as a proxy of vessel presence. However, many vessels do not appear within AIS datasets, meaning evaluating impacts using AIS alone will likely underestimate the potential for effects to occur. To understand the scale of underestimation and the types of vessels co-occurring with marine mammals, 3-yrs of land-based surveys recorded all vessels (sighted within ∼10 km of shore) that were observed concurrently with whales, dolphins and seals (sighted within ∼3 km of shore). Surveys were conducted from multiple sites within five Scottish Marine Regions. Observations of responses to vessels were also recorded opportunistically. AIS data accurately reflected coastal vessel traffic co-occurring with marine mammals during 30 % of the surveyed period. 59 % of vessels seen were not broadcasting AIS, with seasonal and spatial variation in AIS transmission rates, with lowest AIS transmission rates in summer (when 38 % of co-occurring vessels were broadcasting AIS). Non-AIS vessels were more frequently observed travelling at speeds that may pose an elevated risk to marine mammals, and were also more frequently recorded to elicit a response. 45 % of responses to vessels involved non-AIS powered vessels, and 33 % were in relation to human-powered vessels (e.g. kayaks). The results show that the majority of vessels that co-occur with marine mammals are non-AIS, and as such AIS data alone is insufficient to represent vessel-related impacts.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».