Comparison of Electrofishing and Snorkeling Mark–Recapture Estimation of Detection Probability and Abundance of Juvenile Steelhead in a Medium-Sized River
Notice bibliographique
Résumé
Abstract We compared nighttime electrofishing- and snorkeling-based mark–recapture methods for estimating the detection probability and abundance of juvenile steelhead Oncorhynchus mykiss in the Cheakamus River, British Columbia. The reliability of abundance estimates largely depends on the precision and accuracy of detection probability (the fraction of marked individuals detected) as well as a few key assumptions of closed population models that we evaluated in this study. There was minimal bias (−2.5%) in diver estimates of the fork lengths of juvenile steelhead, and the relationship between measured and estimated fork lengths was very precise (r2 = 95%). With a hierarchical Bayesian model, estimates of the detection probability for smaller juveniles (40–60 mm) ranged from 0.4 to 0.6 with electrofishing and were near zero with snorkeling. In contrast, snorkeling-based detection probability was 0.6 and independent of size for larger juvenile steelhead (>60 mm) and much greater than that with electrofishing. These results provide strong evidence that there is considerable individual heterogeneity in detection probability driven by fish size for both methods. Owing to these differences, the abundance of age-0 steelhead based on snorkeling was underestimated by 50%, but that of larger, age-1 fish was unbiased and more precise (10-fold) than that based on electrofishing. The use of electrofishing during marking resulted in a substantive reduction in snorkeling-based detection probability during recapture, but the converse was not true. Thus, there is strong evidence of behavioral heterogeneity in detection probability induced by electrofishing, but only when snorkeling is used to detect fish during recapture. The differences in detection probabilities among size-classes and sampling methods were probably driven by differences in concealment behavior, spatial distribution, and fright responses to sampling. Our results indicate that snorkeling is the better way to estimate abundance for larger juvenile steelhead, whereas electrofishing is preferred for smaller fish.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».