Using masking metrics as a means to quantify effect and guide mitigation measures of underwater anthropogenic noise
Notice bibliographique
Résumé
Abstract Anthropogenic noise in oceanic soundscapes is increasing, as is concern for its impacts on marine life. Until now, the potential effects have been considered by the comparison of sound levels to defined thresholds. Here, the influence of acoustic masking on a species is considered, quantifying the proportional reduction in range for acoustic signals as one means to characterize the impact of acoustic disturbance. The use of this metric is demonstrated by calculating the potential for masking communication calls and echolocation signals of southern resident killer whales ( Orcinus orca ) in the Salish Sea, British Columbia, subjected to significant commercial vessel traffic noise. The use of thresholds facilitates an empirical interpretation of changes in the sound field over space and time, whereas a masking metric determines when and where a whale's ability to send and receive acoustic information will be most obstructed. By considering the level of masking, the severity of a response might be distinguished. For example, a 0%–24% range reduction may be overcome by adaptive signaling, but this may not be possible when communication or echolocation range is reduced by 75% or more. This degree of masking was found in known foraging areas for southern residents, suggesting consequences to their success in finding and capturing food. Masking metrics will be useful to managers and policy makers to better understand acoustic disturbance of marine species and determine individual‐ to population‐level consequences of anthropogenic noise additions to soundscapes.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,001 | 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 ».