Modelling the abundance of grey seals (Halichoerus grypus) along the Norwegian coast
Notice bibliographique
Résumé
Abstract Øigård, T. A., Frie, A. K., Nilssen, K. T., and Hammill, M. O. 2012. Modelling the abundance of grey seals (Halichoerus grypus) along the Norwegian coast. – ICES Journal of Marine Science, 69: . An age-structured population dynamics model of the Norwegian grey seal (Halichoerus grypus) population has been developed. The model is of a Bayesian character in the sense that priors for various parameters were used. Model runs indicated an increase in the abundance of the total Norwegian grey seal population during the last 30 years, suggesting a total of 8740 (95% confidence interval: 7320–10 170) animals in 2011. A total catch of 707 (95% confidence interval: 532–882) grey seals would maintain the population size at the 2011 level. Model runs suggest that current catch levels will likely result in a reduction in the population size in Sør-Trøndelag and Nord-Trøndelag counties, and an increase in the population size in Rogaland, Nordland, Troms, and Finnmark counties. The model runs assumed that 80% of the seals taken in Rogaland came from the UK and that 50 and 55% of the catches in Troms and Finnmark, respectively, were immigrants from Russia.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».