Effectiveness of stream sampling methods in capturing non-native Rusty Crayfish (<em>Orconectes rusticus</em>) in Ontario
Notice bibliographique
Résumé
Habitat alteration and species introductions have contributed to the decline of native crayfish in Ontario. although lake populations of crayfish in Ontario are monitored, there is no corresponding program for streams. We used removal-based sampling to evaluate the efficacy of three sampling techniques (backpack electrofishing, hand capture, and seining) to characterize native and non-native crayfish populations in six streams in the Kawartha lakes region and five streams in the Muskoka/Haliburton lakes region. all types were effective at detecting non-native Rusty Crayfish (Orconectes rusticus). Rusty Crayfish were collected from 65% of samples, constituted 90% of the total catch, and were the only species present in 30% of streams. Compared with other methods, electrofishing was more likely to capture additional crayfish species. Removal-based sampling was not a reliable approach for estimating capture probability and population size. Failure of the removal model was due to increases in the number of crayfish captured after the first pass or too few individuals collected. Mean capture probabilities for electrofishing (0.30) and hand capture (0.31) did not result in reliable population estimates. Compared with seining, electrofishing and hand capture resulted in more sexually active males (fewer sexually inactive males) and more small (< 25 mm carapace length) individuals. For each method, there were differences in capture probability among length classes. a combination of electrofishing and seining (with multiple passes) would maximize species detection, permit sampling of a range of habitat types, and be easily integrated into existing stream fish surveys.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».