A hierarchical model to estimate the abundance and biomass of salmonids by using removal sampling and biometric data from multiple locations
Notice bibliographique
Résumé
We present a Bayesian hierarchical model to estimate the abundance and the biomass of brown trout ( Salmo trutta fario ) by using removal sampling and biometric data collected at several stream sections. The model accounts for (i) variability of the abundance with fish length (as a distribution mixture), (ii) spatial variability of the abundance, (iii) variability of the catchability with fish length (as a logit regression model), (iv) spatial variability of the catchability, and (v) residual variability of the catchability with fish. Model measured variables are the areas of the stream sections as well as the length and the weight of the caught fish. We first test the model by using a simulated dataset before using a 3-location, 2-removal sampling dataset collected in the field. Fifteen model alternatives are compared with an index of complexity and fit by using the field dataset. The selected model accounts for variability of the abundance with fish length and stream section and variability of the catchability with fish length. By using the selected model, 95% credible interval estimates of the abundances at the three stream sections are (0.46,0.59), (0.90,1.07), and (0.56,0.69) fish/m2. Respective biomass estimates are (9.68, 13.58), (17.22, 22.71), and (12.69, 17.31) g/m2.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».