Regional trends in fish mean length at age: components of variance and the statistical power to detect trends
Notice bibliographique
Résumé
We examined statewide time series (1940s–2002) of mean length at ages 2, 3, and 4 for seven fish species sampled from Michigan and Wisconsin inland lakes for temporal trends. We used a components of variance approach to examine how total variation in mean length at age was partitioned into lake-to-lake, coherent temporal, ephemeral temporal, trend, and residual variation. Using these estimated variance components, we simulated the effects of different variance structures on the power to detect trends in mean length at age. Of the 42 data sets examined, only four demonstrated significant regional (statewide) trends: age 4 largemouth bass (Micropterus salmoides) from Wisconsin lakes increased about 0.7 mm·year–1 in mean length at age, and ages 2, 3, and 4 walleye (Sander vitreus) from Wisconsin lakes decreased between 0.5 and 0.9 mm·year–1 in mean length at age. The structure of variation differed substantially among data sets, and these differences strongly affected the power to detect trends. Of particular note was that even modest levels of coherent temporal variation led to substantial decreases in power for detecting trends. To maximize trend detection capabilities, fisheries management agencies should consider variance structures prior to choosing indices for monitoring and realize that trend detection capabilities are species- and region-specific.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».