Modeling spatiotemporal trends in the productivity of North Pacific Salmon
Notice bibliographique
Résumé
Fisheries management of North Pacific salmon stocks greatly relies on the understanding of changes in spawning and survival over time and across habitats. Underlying the yearly observed number of surviving salmon is a productivity parameter that cannot be directly measured and, moreover, is masked by short‐term changes in the observed population. We model the unobserved productivity of chum, sockeye, and two broodlines of pink salmon along the Pacific Coast of North America as a smoothly varying function of time and spatial location based on the Ricker spawner–recruit model of salmon reproduction. The candidate models belong to the class of Gaussian additive models and require the selection of smoothing parameters that control the trade‐off between fit to the data and smoothness of the estimated functions. We select the smoothing parameters by optimizing the pseudo Bayes information criterion, which incorporates prior knowledge about the degree of smoothness of the estimated functions and is well suited for detecting low‐frequency oscillations in the data, such as those due to long‐term climate effects. Comparing the candidate models based on fit and model parsimony via the Akaike information criterion, we find that the productivity components of time and spatial location may be related nonlinearly. We find evidence of an increase in productivity in the mid‐1970s for chum and sockeye populations and a north–south inverse relationship in productivity among sockeye and odd‐year pink salmon stocks. Copyright © 2012 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».