Performance of three acoustical methods for localizing whales in the Saguenay - St. Lawrence Marine Park
Bibliographic record
Abstract
Trois algorithmes sont explorés pour la localisation de vocalises de rorqual commun enregistrées par un réseau d'hydrophones à large ouverture déployé dans le Parc Marin du Saguenay-Saint-Laurent. Les méthodes doivent composer avec une vitesse du son variable dans l'espace et le temps, des erreurs dans les mesures des différences de temps d'arrivée (DTA) avec un environnement bruyant, et souvent un nombre limité d'hydrophones ayant capté un événement donné. Le réseau était composé de 5 hydrophones autonomes AURAL avec une ouverture totale d'environ 40 km, couplé avec 2 hydrophones d’un petit réseau côtier. La dérive des horloges des hydrophones autonomes a été évaluée avec un niveau d’incertitude à l'aide de sources aux temps connus ainsi que de la référence temporelle du réseau côtier. Les vocalises ont ensuite été localisées par la méthode à vitesse constante des hyperboles, par celle à vitesse variable des isodiachrones avec simulations de Monte-Carlo, et par un modèle de propagation de rayons. Les simulations de Monte-Carlo produisent des nuages de localisations possibles à partir des incertitudes sur les positions des hydrophones, sur les DTAs et sur les vitesses horizontales effectives du son le long des différentes trajectoires source-hydrophone. Le modèle de propagation des rayons produit une grille fixe de DTAs qui est ensuite consultée pour trouver les positions les plus probables des baleines. Les résultats des différentes méthodes sont comparés et leurs avantages ou limites relatives sont discutés.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| 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; 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".