An Improved Sibling Model for Forecasting Chum Salmon and Sockeye Salmon Abundance
Notice bibliographique
Résumé
Abstract The sibling model is often one of the best methods for calculating preseason forecasts of adult return abundance (recruits) for populations of Pacific salmon Oncorhynchus spp. This model forecasts abundance of a given age-class for a given year based on the abundance of the previous age-class in the previous year. When sibling relations fit historical data well, the sibling model generally performs better than other forecasting methods, such as stock–recruitment models. However, when sibling relations are weak, better forecasts are obtained by other models, such as naïve models that simply use an historical average. We evaluated the performance of a hybrid model that used quantitative criteria for switching between a sibling model and a naïve model when generating forecasts for 21 stocks of chum salmon O. keta and 37 stocks of sockeye salmon O. nerka in the northeastern Pacific Ocean. Compared with the standard sibling model, the hybrid model reduced the root mean square error (RMSE) of forecasts by an average of 27% for chum salmon stocks and 28% for sockeye salmon stocks. Compared with a naïve model, the hybrid model reduced the RMSE of forecasts by an average of 16% for chum salmon stocks and 15% for sockeye salmon stocks. Our results suggest that hybrid models can improve preseason forecasts and management of these two species.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».