Le système d’identification automatique (AIS), un outil pour la gestion d’aires marines protégées : revue des applications au parc marin du Saguenay–Saint-Laurent
Bibliographic record
Abstract
Les diverses conséquences des activités de navigation sur le milieu marin sont maintenant reconnues et de plus en plus documentées, en particulier sur les mammifères marins. Dans les dernières années, les gouvernements se sont engagés à rehausser le niveau de protection du milieu marin, notamment par la création d’aires marines protégées. Le système d’identification automatique (AIS), implémenté à l’origine pour la sécurité maritime et la gestion du trafic, est devenu un outil indispensable pour la gestion des activités de navigation dans un contexte de conservation de l’environnement marin. Afin de présenter différentes applications des données AIS dans la gestion d’une aire marine protégée, nous utilisons comme étude de cas le parc marin du Saguenay–Saint-Laurent, reconnu pour la diversité des espèces de mammifères marins qui le fréquentent et pour l’intensité du trafic maritime. Les exemples portent sur la description de l’utilisation de l’espace maritime par les activités de navigation, sur l’évaluation et la modélisation de leurs effets environnementaux et sur le suivi de la conformité à des mesures de gestion. En plus d’illustrer les différents avantages d’utilisation des données AIS, une revue critique sur les limites de ces données en conservation est également présentée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".