MétaCan
Menu
Retour à la cohorte
Enregistrement W2075208319 · doi:10.1139/f09-137

Estimating thresholds to optimal harvest rate for long-lived, low-fecundity sharks accounting for selectivity and density dependence in recruitment

2009· article· en· W2075208319 sur OpenAlexaffvenue
Robyn E. Forrest, Carl J. Walters

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueIchthyology and Marine Biology
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMaximum sustainable yieldOverfishingFecundityFisheryProductivityBayesian probabilityPrior probabilityFisheries managementEconometricsStatisticsEcologyFishingEconomicsBiologyMathematicsPopulation

Résumé

récupéré en direct d'OpenAlex

Deepwater dogsharks (Order Squaliformes) are thought to be particularly vulnerable to overfishing due to life history strategies that place them at the lower end of the shark productivity spectrum. Sharks frequently have relatively low value in multispecies fisheries, where management is usually aimed at maintaining harvest of more valuable and productive teleosts. This results in low priority being given to data collection for sharks and hampers identification of appropriate harvest strategies. Here an age-structured model with maximum sustainable harvest rate (U MSY ) as leading productivity parameter is systematically applied to show that for certain growth and reproductive schedules that apply to some sharks, the range of possible values that can be taken by U MSY can become very small. The model was applied to 12 Australian dogshark species and was used to show that U MSY is highly constrained under some selectivity schedules. Results were consistent with estimates of the intrinsic rate of growth obtained using a demographic model, suggesting that there may be more certainty about U MSY than expected for many shark species, given uncertainty in recruitment parameters. The approach could be used to inform policy for some sharks and may be useful in the development of informative Bayesian priors for assessment models.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,118
Score d'incertitude au seuil0,895

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,272
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic SciencesMême sujetIchthyology and Marine BiologyTravaux en français237 207