Biologging in the global ocean observing system
Notice bibliographique
Résumé
Miniature electronic data recorders and transmitters have revolutionized the way we study animals over the past decades, particularly marine animals at sea. But, very recently, animal-borne instruments have also been designed and implemented that provide in situ hydrographic data from parts of the oceans where little or no other data are currently available (even from beneath the ice in polar regions). Ocean data is delivered from animal-borne instruments via satellites in near real-time, which would enrich the Global Ocean Observing System if animal-borne instruments were deployed systematically. In the last 10 years, studies involving more than 10 countries (Australia, Brazil, Canada, France, Germany, Greenland, Norway, South Africa, UK, USA) have demonstrated how highly accurate oceanographic sensors, integrated into standard animal, biologging instruments, can provide data of equal or better quality than XBT/XCTD data. Here, we present some of the pioneering studies and demonstrate that we now have enough information for many marine species to predict where they will go – within reasonable limits. Thus, we can direct sampling effort to particularly interesting and productive regions and maximize data return. In the future, biologging could certainly play an important part in the Global Ocean Observing System, by providing complementary data to more traditional sampling technologies - especially in the high latitudes. This paper will make a core contribution to the Plenary Sessions 4A, 4B and 5A and will be relevant to 2A, 2B and 3A.
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 | 0,112 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,021 | 0,018 |
| Intégrité de la recherche | 0,001 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,018 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».