Incorporating Uncertainty into Area-under-the-Curve and Peak Count Salmon Escapement Estimation
Notice bibliographique
Résumé
Uncertainty can be incorporated into area-under-the-curve (AUC) and peak count estimates of salmon escapement by conducting replicate fish counts and developing independent escapement estimates over several years. We describe a bootstrap procedure that follows the trapezoidal AUC method and incorporates the uncertainty associated with fish counts, the shape of the spawner curve, observer efficiency, and residence time. However, the procedure does not incorporate all sources of uncertainty or address the problems posed by sparse surveys or nonzero first or last counts. For the peak count method, the procedure was modified to include the uncertainty from fish counts, observer efficiency, the expansion factor, and the timing of scheduled flights with respect to peak spawning activity. Data from spring-run, stream-type chinook salmon Oncorhynchus tshawytscha in the Nicola River, British Columbia, were used to demonstrate the procedures' applications. Replicate aerial spawner counts were similar and repeatable, and annual residence times were consistent over 4 years. The AUC escapement estimates were precise, reliable, and accurate when compared with independent mark–recapture escapement estimates, whereas the peak count escapement estimates were precise but less reliable and accurate. We expect that AUC escapement estimates calculated from the mean residence time of 4 years will be less biased (−8% to +5%) than peak count estimates from the mean expansion factor of 4 years (−14% to +21%). The procedures that we describe for incorporating uncertainty into AUC and peak count escapement estimation should enable fisheries biologists to more adequately assess changes in abundance and stock status.
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 | 0,001 |
| 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 ».