Hierarchical analysis of a remote, Arctic, artisanal longline fishery
Notice bibliographique
Résumé
Abstract Dennard, S. T., MacNeil, M. A., Treble, M. A., Campana, S., and Fisk, A. T. 2010. Hierarchical analysis of a remote, Arctic, artisanal longline fishery. – ICES Journal of Marine Science, 67: 41–51. This is the first paper to explore trends in catch per unit effort (cpue) through time of a Greenland halibut Reinhardtius hippoglossoides stock targeted by an artisanal, winter fishery in Cumberland Sound on southern Baffin Island, Canada. We modelled cpue data from 1987 to 2003, looking at two questions: what factors have driven cpue trends, and is cpue an accurate index of a stock's abundance? In the context of limited data availability, we used generalized linear models (GLMs) and hierarchical models to assess important predictors of cpue. Hierarchical models with multiple fixed environmental effects contained fishing location or individual fisher as random effects. A month effect showed greatest catch rates during February and March; the monthly North Atlantic Oscillation index was positively associated with catch rates; and a change from decreasing to increasing cpue after 1996 was linked to reduced fishery participation following a large storm. The best Akaike's information criterion-ranked GLM identified a negative relationship of cpue with shark bycatch. Although data limitations precluded conventional stock assessment, our models implicated the environment and fisher behaviour as drivers of cpue trends. Additionally, using multiple hierarchical models to predict cpue provided a more informative analysis for understanding trends in cpue than a GLM alone.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».