Modelling marine vessels engaged in wildlife-viewing behaviour using Automatic Identification Systems (AIS)
Notice bibliographique
Résumé
Observation of marine animals in their environment – whale-watching – has grown greatly in recent years, bringing risk to the animals. Of particular concern are harmful impacts on marine mammals, some of which are endangered. As a result, regulations have been developed for their protection, but these conservation measures require enforcement across a broad geographic region, which is difficult due to limited monitoring resources. A ship-borne information transmission system called AIS – Automatic Identification System – can provide information-rich marine vessel movement data that can be used to passively monitor vessels engaged in viewing wildlife, aiding regulatory bodies with compliance enforcement. Few studies explore the use of AIS data to determine when vessels are engaged in wildlife-viewing, and as such little guidance exists on how to implement classification models appropriately. \n \nThe objective of this thesis is to use AIS data to evaluate the accuracy and utility of existing classification models to detect vessels engaged in observing wildlife, and determine whether information about species being observed can be extracted. Using a control set of observed cetacean encounter data, three classification models were statistically assessed. From this, a hidden Markov model was chosen for detailed analysis in the vicinity surrounding Vancouver Island, B.C., Canada. The resulting analysis concluded that a hidden Markov unsupervised classification approach was feasible for detecting vessel behaviours and differentiating species type. These findings suggest AIS can aid managers and the commercial whale-watching industry in making informed decisions regarding conservation regulations and their compliance.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».