Assessing acoustic receiver detection efficiency using autocorrelation adjusted machine learning models
Notice bibliographique
Résumé
Detection efficiency is a key performance metric for acoustic telemetry arrays, providing an estimate of the probability of detecting a passing tagged organism. It is influenced by environmental (e.g., discharge), technological (e.g., transmitter power), and habitat (e.g., noise) factors, making predictions of detection efficiency a challenging task in the field of movement ecology. To predict detection efficiency, we applied regression-based machine learning models in two distinct river systems: a small mountainous and a large regulated river. The models incorporated daily discharge, water temperature and depth, substrate type, a receiver metadata metric indicative of noise, and the distance between receiver and acoustic tag. While both spatial and temporal autocorrelation were evaluated, only temporal autocorrelation required adjustment, which was addressed using a rolling cross-validation approach. Optimal cross-validation parameters differed between systems, with 30-day validation windows and 90-day steps for the large river, and 3-day validation windows and 5-day steps for the mountainous stream. Receiver distance and our utilization of receiver metadata as an indication of environmental noise consistently emerged as the most influential predictors, while environmental variables contributed relatively evenly to model performance. The small mountainous river model explained 30.7–89.5% of the variability in detection efficiency while the large regulated river model explained 43.8–90.6% of the variability explained. The model’s accuracy varied across resamples based on short rapid environmental changes during rolling cross-validation temporal binning. Our autocorrelation adjusted machine learning model demonstrated adequate estimates of detection efficiency, explaining an average of 68% of the variability across two distinct rivers. Restricted data availability in the mountainous stream and short rapid environmental changes in both systems presented challenges for model accuracy. Accounting for detection efficiency is an important component of describe animal movement using acoustic telemetry and our findings demonstrate machine learning models as an approach to predicting detection efficiency in acoustic receiver arrays across riverine environments with diverse hydrological and geomorphological characteristics.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».