Use of agent‐based modelling to predict benefits of cleaner fish in controlling sea lice, <i><scp>L</scp>epeophtheirus salmonis</i>, infestations on farmed <scp>A</scp>tlantic salmon, <i>Salmo salar</i> L.
Notice bibliographique
Résumé
Sea lice, Lepeophtheirus salmonis, are ectoparasites of farmed and wild salmonids. Infestations can result in significant morbidity and mortality of hosts in addition to being costly to control. Integrated pest management programmes have been developed to manage infestations, and in some salmon farming areas, these programmes include the use of wrasse. Wrasse prey upon the parasitic life stages of L. salmonis and can be stocked on farms at varying densities. Despite considerable variation in the usage of wrasse, there are few quantitative estimates of how well they can control sea lice and how best to optimize their use. To explore at what densities wrasse should be stocked in order to meet specific control targets, we built an individual-based model that simulates sea lice infestation patterns on a representative salmonid host. Sea lice can be controlled through the use of chemical treatments as well as by wrasse predators. We found that the wrasse can effectively control sea lice, and the densities of wrasse needed for effective control depend upon the source of the infestation and the targeted level of control. Effective usage of wrasse can result in decreased use of chemical treatments and improved control of sea lice.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».