AIS underrepresents vessel traffic in Scotland's Marine Protected Areas
Notice bibliographique
Résumé
Maritime traffic poses a variety of risks to both the marine environment and marine wildlife. To quantify and predict risk, accurate data on the distribution and densities of vessel traffic is required, yet currently there is no single data type that captures all vessel traffic. Most commonly, AIS (Automatic Identification System) vessel tracking data is used, despite awareness that AIS data does not fully capture all vessels present. Therefore, evaluations using only AIS likely underestimate the potential impacts. To estimate the scale of underestimation, vessel presence within six of Scotland's Marine Protected Areas (MPAs) were recorded during >1800 h of land-based and at-sea surveys, and compared with AIS data collected from a network of receivers deployed around Scotland. Non-AIS vessels were present within MPAs during 62 % of the surveyed period, with 64 % of vessels sighted not broadcasting AIS. AIS transmission rates varied between MPA, season and vessel type. Given that AIS data is the most commonly used data type for quantifying vessel activity and predicting associated impacts, consideration must be given to the volume of vessel traffic not represented within AIS datasets, particularly within MPAs. Underestimation of actual vessel traffic is likely leading to insufficient management or mitigation efforts within areas designated for protection. • AIS (Automatic Identification System) data often used to represent vessel traffic. • Surveys conducted across Scottish Marine Protected Areas. • AIS data did not represent vessel traffic within MPAs 62 % of the time. • 64 % of powered vessels sighted within MPAs were not broadcasting AIS. • Risk predictions using only AIS would underestimate the scale of potential impacts.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».