Harvest models and stock co‐occurrence: probabilistic methods for estimating bycatch
Notice bibliographique
Résumé
Abstract A primary goal of ecosystem‐based fishery management is to reduce non‐target stock impacts, such as incidental harvest, during targeted fisheries. Quantifying incidental harvest has generally incorporated fishery‐dependent catch data, yet such data may be biased by gear non‐retention, observation difficulties, and non‐random harvest patterns that collectively lead to an impartial understanding of non‐target stock capture. To account for such issues and explicitly recognize the combined influence of ecological and harvest factors contributing to incidental capture within targeted fisheries, we demonstrate a probabilistic modelling framework that incorporates: (i) background rates of target and non‐target stock co‐occurrence as the primary ecological basis for incidental harvest; (ii) the probability of harvesting at localities exhibiting co‐occurrences; (iii) the probability of selecting for non‐target species with fishery gear; and, (iv) as a function of harvest effort, the overall probability of incidental capture for any non‐target stock contained in the species pool available for harvest. To illustrate application of the framework, simulation models were based on fishery‐independent data from a freshwater fishery in O ntario, C anada. Harvest simulations of empirical stock data indicated that greatest species‐specific capture values were over 4000 times more likely than for species with lowest values, indicating highly variable capture probabilities because of the combined influence of stock heterogeneity and harvest dynamics. Estimated bycatch–effort relationships will allow forecasting incidental harvest on the basis of effort to evaluate future shifts in fishing activity against specific ecosystem‐based fishery management objectives, such as reducing the overall probability of bycatch while maintaining target landings.
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) | 0,000 | 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) | 0,001 | 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 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 ».