A Comparison of Electrofishing and Visual Surveying Methods for Estimating Fish Community Structure in Temperate Rivers
Notice bibliographique
Résumé
Abstract Studies attempting to describe fish community structure in shallow riverine environments typically rely on electrofishing and/or visual (snorkelling) surveys, but few have addressed the relative efficiencies of these two methods at estimating fish density and biomass across wide ranges of geography, taxonomy and life history stages. Multiple paired electrofishing and visual surveys were conducted in 18 temperate Canadian rivers in order to obtain community‐wide density and biomass estimates from both methods. Partial canonical multivariate analyses were applied to the paired fish community matrices comparing the results of both surveying methods at the taxonomic levels of family, genus and species, as well as size classes within families and species, to assess the particular effectiveness of each sampling method. Although electrofishing estimates of family and species richness were generally greater, snorkelling surveys tended to generate higher density and biomass estimates for different size classes of many salmonid and cyprinid species. Moreover, mean river biomass estimates derived from visual surveying matched those obtained from our best mean river biomass estimates arising from the two methods combined. This study provides empirical evidence that electrofishing and visual survey methods generate different types of information when assessing fish community structure at the family level or by size classes. Our results provide ample background information for determining the most accurate sampling method for a particular fish community assemblage, which is fundamental to fisheries management and research. Copyright © 2014 John Wiley & Sons, Ltd.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».