No Nets, No Shocks, No Problem: Assessing Replicability and Disturbance Effects in Fish Monitoring Using Remote Video Cameras in Low Order Streams
Notice bibliographique
Résumé
Conventional fish population sampling methods such as electrofishing and netting, pose risks to fish and are often restricted to small, shallow headwater streams—especially where endangered species may be present. Additionally, non-capture surveying (e.g., snorkelling) can disturb fish and make observation more challenging. This study evaluates the effectiveness and reproducibility of remote underwater video (RUV) surveys in a shallow (<0.5 m deep), freshwater stream. Additionally, fish response to disturbances (e.g., shadows, noise, surface disruptions) were characterized. Fish abundance was estimated by maxN (maximum number of individuals observed in a single frame) and used multiple cameras placed in the same habitat (pool). Findings indicated a high consistency in maxN when fish numbers were low (<5 individuals), with increasing variability at higher numbers (>15 individuals). This suggests that single camera setups can reliably detect minimum abundance. Fish responses to four disturbances (e.g., shadows, noise, surface disruptions, mink) were noted throughout. Typically, these responses were short-lived, with fish returning to pre-disturbance maxN values within minutes, with the most significant response to researcher-induced disturbance occurring immediately after RUV deployment. Overall, RUVs proved effective for passive, non-capture fish monitoring in shallow, sensitive habitats, producing replicable data with minimal impact caused by researcher disturbance. This technique can be added to our toolboxes for studying small-bodied fishes in challenging environments.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».