Analyzing Self-Noise Sources and Mitigation Strategies in Glider-Based Passive Acoustic Monitoring
Notice bibliographique
Résumé
Passive acoustic monitoring has emerged as an invaluable technique for surveying fisheries, tracking endangered species, and evaluating acoustic propagation models, along with a host of other applications. Gliders (buoyancy-propelled autonomous underwater vehicles) are an attractive platform for passive acoustic monitoring due to their controllability, mission duration, and generally low-noise profile. Hydrophones can be mounted onto gliders externally with self-contained power or integrated into the vehicles for real-time data capability; however, noise generated at inflections (buoyancy pump actuation and battery motor motion) and during navigation (rudder motion and turbulence) can mask critical biological cues while filling the limited data allotment with false positives. Recent glider surveys conducted with an integrated hydrophone off the Georgia/Florida coast during the calving season for the critically endangered North Atlantic right whales suggests that reducing the amount of 'self-noise' could significantly increase the number of whale detections during monitoring missions while also reducing battery consumption and extending the monitoring period. This work characterizes the spectrum three major sources of self-noise, analysis the effectiveness of various flight and mission based noise mitigation strategies, and proposes a preliminary method for removing self-noise from the real-time audio signal. With a focus on both prevention and filtering, this research demonstrates significant improvements in glider-based passive acoustic monitoring, especially in the context of right whale detection. These techniques have the potential for broader application in scientific, industrial, and military settings to improve both the quality and quantity of the acoustic data collected.
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 | 0,001 | 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 ».