The effectiveness of two common sampling methods for assessing imperilled freshwater fishes
Notice bibliographique
Résumé
This study tested the hypothesis that the most common gear type used to sample fishes in wadeable systems, electrofishing, was more effective than another commonly used gear type, seining, for sampling fish species at risk. Five predictions were tested. At sites where species at risk were detected, (1) the probability of detecting the species at risk, (2) the probability of only one gear type detecting the species at risk and (3) the estimated catch per unit effort of the species at risk, was as high as, or higher, when using electrofishing than when using a seine. (4) The number of sample sites required to detect a species at risk within a watershed and (5) the number of subsections required to detect a species at risk within a site, were as low as, or lower, using electrofishing than the number required using a seine. Based on analyses of these measurements, electrofishing was a more effective gear type than seining for sampling fish species at risk, irrespective of the unit (presence or absence or catch per unit effort) or scale of measurement (watershed or site level). Dissolved oxygen, turbidity, specific conductivity and nitrate concentrations were measured at each site and did not account for the between gear differences. Selection of sampling gear can be a fundamental consideration for the assessment of fish species at risk, where, unlike common species, they may be particularly influenced by small population sizes, restricted geographic ranges and narrow habitat preferences. Resource managers must weigh differences in the risks of injury of fish species at risk against differences in the effectiveness of each gear type when deciding between gear types and the utility of the assessments they represent.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».