Linking Angling Catch Rates and Fish Learning under Catch-and-Release Regulations
Notice bibliographique
Résumé
Abstract Many recreational fisheries are subject to varying degrees of catch-and-release fishing through regulations and conservation-minded anglers. Clearly, releasing a proportion of the catch improves conservation of the fishery, yet it is not clear how the released catch contributes to angling quality. If fish change their behavior to lower their individual catchability after they have been caught, then angler catch rates may not be proportional to fish density. Therefore, even catch-and-release fisheries could exhibit poor angling quality if there is sufficiently high angler effort. We tested this idea by experimentally fishing five small lakes that contained rainbow trout Oncorhynchus mykiss in the interior of British Columbia. We found that with sustained effort of 8 angler-hours · d−1 · ha−1 and complete release of the catch, catch rates quickly dropped within 7–10 d. Given the individual capture histories of tagged fish, the most parsimonious catchability model incorporated learning and heterogeneity into intrinsic catchability. The best-fit parameter values suggest that the population contained a group of highly catchable fish that were quickly caught and then learned to avoid hooks. There was a seasonal decrease in catchability that was independent of angling; however, it was not sufficient to explain the data. Our results indicate that catch rates may decline because of high angling effort even when the number of fish remains constant. Therefore, management goals that go beyond conservation issues and attempt to maximize angler satisfaction must account for effort density on a recreational fishery.
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 | 0,000 | 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 ».