Effect of different sampling designs and methods on the estimation of secondary production: A simulation
Notice bibliographique
Résumé
This article reports the results of a simulation study designed to investigate the effect of several sampling design factors on the accuracy and precision of various estimates of secondary production. Whereas most previous studies of this sort were concerned with freshwater fauna (e.g., insects), the hypothetical population used here reflects the characteristics of marine mussels from cold‐temperate and subarctic regions. It features the simultaneous presence of different cohorts, gradual recruit arrival, seasonal growth oscillation, and quadratdependent population density, as well as random individual variation both in survival and in weight gain. For this population, the percentage relative bias (PRB) and relative root mean squared error (RRMSE) of 4 classic cohort‐based methods, 3 size‐based methods, and several variants thereof were computed as a function of sampling frequency, distribution of sampling dates, number of quadrats sampled per occasion, inclusion or omission of the last sampling date, and coarseness of the size classes and sieve aperture. Although most methods performed reasonably well, non‐negligible differences were observed among them. A version of Allen's curve technique and a mass‐specific growth rate method gave the best results for cohort‐ and size‐based method groups, respectively. Sampling effort, in terms of both frequency of sampling and number of samples per date, had the largest documented influence on both PRB and RRMSE. Recommendations are made for the best compromises between methods and sampling designs to achieve reliable production estimates for populations with similar characteristics.
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 | 0,000 |
| 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 ».