論文の概要: Tuna-AI: tuna biomass estimation with Machine Learning models trained on
oceanography and echosounder FAD data
- arxiv url: http://arxiv.org/abs/2109.06732v2
- Date: Wed, 15 Sep 2021 06:57:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 10:38:15.115047
- Title: Tuna-AI: tuna biomass estimation with Machine Learning models trained on
oceanography and echosounder FAD data
- Title(参考訳): Tuna-AI:海洋学と超音波FADデータに基づく機械学習モデルによるマグロバイオマス推定
- Authors: Daniel Precioso, Manuel Navarro-Garc\'ia, Kathryn Gavira-O'Neill,
Alberto Torres-Barr\'an, David Gordo, Victor Gallego-Alcal\'a, David
G\'omez-Ullate
- Abstract要約: 本研究では,マグロのバイオマスの予測を目的とした機械学習モデルTuna-AIを開発した。
我々は,AGACマグロ・ウォレット・フリートが報告したマグロ捕集に5000件以上のイベントを投入した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Echo-sounder data registered by buoys attached to drifting FADs provide a
very valuable source of information on populations of tuna and their behaviour.
This value increases whenthese data are supplemented with oceanographic data
coming from CMEMS. We use these sources to develop Tuna-AI, a Machine Learning
model aimed at predicting tuna biomass under a given buoy, which uses a 3-day
window of echo-sounder data to capture the daily spatio-temporal patterns
characteristic of tuna schools. As the supervised signal for training, we
employ more than 5000 set events with their corresponding tuna catch reported
by the AGAC tuna purse seine fleet.
- Abstract(参考訳): 漂流FADに付加されたブイによって登録されたエコーソーダデータはマグロの個体群とその行動に関する非常に貴重な情報源となる。
これらのデータをCMEMSから得られた海洋データで補うと、この値が増加する。
本研究では,マグロ群集の特徴である日時パターンを3日間のエコーソーダデータを用いて把握し,マグロのバイオマスの予測を目的とした機械学習モデルであるマグロAIを開発した。
訓練用監視信号として,AGACマグロシーヌ艦隊が報告したマグロ漁獲量の5000種以上のイベントを運用している。
関連論文リスト
- Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳(メタデータ) (2023-03-24T11:12:37Z) - BrackishMOT: The Brackish Multi-Object Tracking Dataset [20.52569822945148]
濁った環境で捕獲された水中マルチオブジェクト追跡(MOT)データセットは公開されていない。
BrackishMOTは、野生で捕獲された98のシークエンスから構成される。新しいデータセットに加えて、最先端のトラッカーをトレーニングしてベースライン結果を示す。
トレーニング中に合成データを含めることの効果を分析し,実際の水中トレーニングデータと合成水中トレーニングデータを組み合わせることで,追跡性能が向上することを示した。
論文 参考訳(メタデータ) (2023-02-21T13:02:36Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳(メタデータ) (2022-08-18T15:27:40Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳(メタデータ) (2022-08-03T20:15:55Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳(メタデータ) (2022-07-27T09:26:15Z) - How do tuna schools associate to dFADs? A study using echo-sounder buoys
to identify global patterns [0.0]
本研究では,マグロ流派と漂流物体の関係の時間的傾向を機械学習プロトコルを用いて検証する。
マグロが最初にdFADを植民地化するのに要する時間は、海によって25日から43日の間であった。
全ての海洋において、マグロの集合体がdFADから出発するまでの時間は、マグロの集合体の形成に要する時間よりもそれほど長くなかった。
論文 参考訳(メタデータ) (2022-07-14T16:45:54Z) - SOMOS: The Samsung Open MOS Dataset for the Evaluation of Neural
Text-to-Speech Synthesis [50.236929707024245]
SOMOSデータセットは、単にニューラルテキスト音声(TTS)サンプルからなる最初の大規模平均世論スコア(MOS)データセットである。
パブリックドメイン音声データセットであるLJ音声の合成発話20Kから成っている。
論文 参考訳(メタデータ) (2022-04-06T18:45:20Z) - Fish sounds: towards the evaluation of marine acoustic biodiversity
through data-driven audio source separation [1.9116784879310027]
海洋生態系は、生物多様性の喪失や熱帯種の温帯盆地への移動など、危機的な速度で変化している。
海洋生物多様性をモニタリングするための最もポピュラーで効果的な方法の1つは、パッシブ・アコースティックス・モニタリング(PAM)である。
本研究では,PAM録音における魚の発声を自動的に抽出する手法について述べる。
論文 参考訳(メタデータ) (2022-01-13T14:57:34Z) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳(メタデータ) (2020-11-28T05:51:19Z) - Complex data labeling with deep learning methods: Lessons from fisheries
acoustics [0.0]
本論文は, 根拠となる真理ラベルが不要であるケーススタディ, エコーグラフラベリングに焦点を当てた。
我々は、非定常データセットでトレーニングされた畳み込みニューラルネットワークが、人間の専門家の補正を必要とする新しいデータセットの一部を強調するために使用できることを実証した。
論文 参考訳(メタデータ) (2020-10-21T13:49:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。