Retrospective Evaluation of Preseason Forecasting Models for Sockeye and Chum Salmon
Notice bibliographique
Résumé
Abstract Using comprehensive data sets for chum salmon Oncorhynchus keta (40 stocks) and sockeye salmon O. nerka (37 stocks) throughout their North American ranges, we compared the retrospective performance of 11 models in preseason forecasting of adult abundance. Chum and sockeye salmon have more complicated age structures than pink salmon O. gorbuscha, which we investigated previously (Haeseker et al. 2005), and this complexity presents new challenges as well as opportunities for forecasting. We extended our previous work to include two new forecasting models that make use of leading indicators: either the survival rate of earlier-maturing pink salmon from the same brood year (Ricker pink salmon index model) or the abundance of earlier-maturing siblings (hybrid sibling model, a new version of the standard sibling model). No single forecasting model was consistently the best for either chum or sockeye salmon, but the hybrid sibling model frequently performed best based on mean absolute error, mean percent error, and root mean square error. As was observed for pink salmon, several naïve models (i.e., simple time series models without explicitly modeled mechanisms) also performed well, as did forecast averaging models composed of two models with the least-correlated forecasting errors. In general, model ranking depended on the particular stock and performance measure used. However, even the top-ranked model for each stock explained on average only 21% of the observed interannual variation in chum salmon recruitment and only 36% of the variation in sockeye salmon recruitment. Although improvements may be possible for some stocks in specific circumstances, a major breakthrough in general forecasting ability seems unlikely given the breadth of stocks and models examined to date. Therefore, better in-season updates and adjustments to fishing regulations and a cautious approach to opening and closing fisheries should remain high priorities.
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 | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».