Telling av oppvandrende fisk i Mandalselva ved bruk av DIDSON. En pilotstudie
Bibliographic record
Abstract
Järnegren, J., Balk, H., Uglem, I., Forseth, T. 2011. Telling av oppvandrende fisk i Mandalselva ved\nbruk av DIDSON – en pilotstudie. - NINA Rapport 636. 22 s. \nModerne forvaltning av norske laksebestander basert på gytebestandsmål forutsetter god og pålitelig kunnskap om bestandsstørrelse og/eller beskatningsrater. Antall oppvandrende laks kan estimeres enten indirekte gjennom fangststatistikk og beskatningsrater eller direkte ved bruk av ulike fisketellesystemer. ”Dual frequency identification sonar”- systemet (DIDSON) representerer en ny type identifikasjonssonarer som under optimale forhold kan generere undervannsbilder med tilnærmet videokvalitet. Sammenliknet med videosystemer gir DIDSON fordeler ved at den ikke er avhengig av eksternt lys som dagslys eller kunstig lys, samt at den også fungerer i grumset vann. Optimal bruk av DIDSON er avhenging av observasjonslokaliteten. Hensikten med dette prosjektet var å teste hvorvidt DIDSON kan brukes til fisketelling i Mandalselva og i andre elver av tilsvarende størrelse. DIDSON kan brukes til å måle antall og størrelse på oppvandrende laksefisk i elver hvor denne typen informasjon tidligere har vært vanskelig eller umulig å fremskaffe. DIDSON er brukt for å telle oppvandrende laks blant annet i Canada og England, men systemet er hittil ikke testet under norske forhold. Hvorvidt DIDSON-systemet er anvendbart til rutinemessig telling og måling av oppvandrende laks i norske elver er i hovedsakelig avhengig av to forhold; for det første at systemet kan identifisere oppvandrende fisk på en pålitelig måte og deretter at analysene er kostnadseffektive. Dette er igjen avhengig av optimale observasjonslokaliteter og i hvilken grad analysene kan automatiseres. Lokaliteten som ble vurdert som best egnet til denne studien ligger nedenfor Nødingfossen og data ble samlet inn mellom 11. juni og 20. oktober 2009. En DIDSON-LR enhet (Long Range) med en pan/tilt rotor ble satt ut i elven slik at avstanden fra sonarens front til nærmeste elvebredde var ca 5 meter. Sonaren ble plassert slik at man fikk det beste bildet på skjermen med maksimal rekkevidde. Alle data ble analysert med programvaren Sonar5-Pro (S5), som ble modifisert for å kunne håndtere de store datamengdene som ble samlet inn. Automatisk telling ble vurdert og mange metoder ble testet og forkastet som ikke tilstrekkelig nøyaktige. Metodene detekterte for mange ikke-ønskede mål og overså for mange fisk. Den eneste metoden som fungerte for de innsamlede dataene var manuell klikktelling. Årsaken til dette var mye støy forårsaket av ekko fra bunn, overflate, luftbobler, turbulens og ikke minst den lange avstanden over elven. Med manuell analyse ble ett døgns opptak opparbeidet i løpet av ca 60 min effektiv analysetid. Forholden var ikke gode nok til å måle størrelse på fisk. Totalt ble 4471 fisk talt mellom 11. juni og 20. oktober. Kompensert for tapt opptakstid, areal med manglende dekning samt fisk som vandret forbi sonaren flere ganger estimerte vi en minimum oppvandring på 6451 fisk. Ut fra registrerte fangster gir dette et estimat for maksimal beskatning på 35 %. Konklusjonen er at DIDSON kan brukes for rutinemessig telling. Automatisk telling av oppvandrende fisk forutsetter at lokaliteten tilpasses slik at tilstrekkelig gode data kan samles inn.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.007 | 0.012 |
| Research integrity | 0.001 | 0.005 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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; both teacher heads agree on what is shown here.
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".