Retrospective Evaluation of Preseason Forecasting Models for Pink Salmon
Notice bibliographique
Résumé
Abstract Models for making preseason forecasts of adult abundance are an important component of the management of many stocks of Pacific salmon Oncorhynchus spp. Reliable forecasts could increase both the profits from fisheries and the probability of achieving conservation and other management targets. However, the predictive performance of salmon forecasting models is generally poor, in part because of the high variability in salmon survival rates. To improve the accuracy of forecasts, we retrospectively evaluated the performance of eight preseason forecasting models for 43 stocks of pink salmon O. gorbuscha over a total of 783 stock-years. The results indicate that no single forecasting model was consistently the most accurate. Nevertheless, across the 43 stocks we found that two naïve time series models (i.e., those without explicitly modeled mechanisms) most frequently performed best based on mean raw error, mean absolute error, mean percent error, and root mean square error for forecasts of total adult recruits. In many cases, though, the best-performing model depended on the stock and performance measure used for ranking. In 21% of the stocks, a new multistock, mixed-effects stock–recruitment model that included early-summer sea surface temperature as an independent variable along with spawner abundance demonstrated the best performance based on root mean square error. The best-performing model for each pink salmon stock explained on average only 20% of the observed variation in recruitment. Owing to the uncertainty in forecasts, a strong precautionary approach should be taken to achieve conservation and management targets for pink salmon on the West Coast of North America.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».