Spatial delay-difference models for estimating spatiotemporal variation in juvenile production and population abundance
Notice bibliographique
Résumé
Many important ecological questions require accounting for spatial variation in demographic rates (e.g., survival) and population variables (e.g., abundance per unit area). However, ecologists have few spatial modelling approaches that (i) fit directly to spatially referenced data, (ii) represent population dynamics explicitly and mechanistically, and (iii) estimate parameters using rigorous statistical methods. We therefore demonstrate a new and computationally efficient approach to spatial modelling that uses random fields in place of the random variables typically used in spatially aggregated models. We adapt this approach to delay-difference dynamics to estimate the impact of fishing and natural mortality, recruitment, and individual growth on spatial population dynamics for a fish population. In particular, we develop this approach to estimate spatial variation in average production of juvenile fishes (termed recruitment), as well as annual variation in the spatial distribution of recruitment. We first use a simulation experiment to demonstrate that the spatial delay-difference model can, in some cases, explain over 50% of spatial variance in recruitment. We also apply the spatial delay-difference model to data for rex sole (Glyptocephalus zachirus) in the Gulf of Alaska and show that average recruitment (across all years) is greatest near Kodiak Island but that some years show greatest recruitment in Southeast Alaska or the western Gulf of Alaska. Using model developments and software advances presented here, we argue that future research can develop models to approximate adult movement, incorporate spatial covariates to explain annual variation in recruitment, and evaluate management procedures that use spatially explicit estimates of population abundance.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».