A Comparison of Methods for Sampling Fish Diversity in Shallow Offshore Waters of Large Rivers
Notice bibliographique
Résumé
Abstract Few studies of fish assemblages have been conducted in large rivers owing to the difficulties of sampling such complex systems. We evaluated the effectiveness of six different gear types (seine nets, boat electrofishers, hoop nets, Windermere traps, trap nets, and minnow traps) in sampling the fish assemblage at 30 sites in the shallow offshore waters of the middle Detroit River in July and August 2003. A total of 2,449 fish representing 38 species in 15 families were captured by seining (1,293 fish, 29 species), boat electrofishing (398 fish, 23 species), hoop nets (524 fish, 26 species), and Windermere traps (234 fish, 14 species). Trap nets and minnow traps were not effective in sampling offshore littoral sites. Significantly higher fish species richness and abundance were obtained and more unique species were captured by seine nets than by any other gear type. When effort is constant, the highest richness and abundance are obtained by seine nets. Windermere traps produced significantly lower abundance and richness than all other gear types, but proportionally more benthic species. Total species accumulation rates were not markedly reduced when Windermere trap data were excluded. Use of additional Windermere traps at each site could increase abundance, but samples taken by Windermere traps had the lowest rarefied richness among gear types at any level of abundance. Nonmetric multidimensional scaling showed that seine-net catches, which were dominated by midwater schooling species (brook silverside Labidesthes sicculus, emerald shiner Notropis atherinoides, and mimic shiner N. volucellus), were most dissimilar from Windermere trap catches, which were dominated by centrarchids. Seine nets were the most effective gear for sampling offshore waters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».