Combining Samples from Multiple Gears Helps to Avoid Fishy Growth Curves
Notice bibliographique
Résumé
Abstract Size-at-age information is critical in estimating growth parameters (e.g., the von Bertalanffy growth function [VBGF]) that are used to assess fish populations. Due to gear selectivity, single sampling methods rarely sample all ages or all sizes equally well. Most growth estimates rely on samples from a single gear or a haphazard combination of gears, potentially leading to biased and imprecise growth parameter estimates. We evaluated the efficacy of combining samples from two gears with different size selectivity to estimate VBGF parameters; we then applied that approach to a case study on the Lochloosa Lake (Florida) population of Black Crappies Pomoxis nigromaculatus. Simulated age- and size-structured populations were randomly sampled with two gears characterized by different size-selectivity curves (one gear was selective for smaller fish; the other was selective for larger fish). Maximum likelihood VBGF estimates obtained for each gear separately were compared with estimates from a combined VBGF fitted to data from both gears. In every simulated scenario, a combined-gear approach reduced bias and increased precision for estimating the VBGF, but the gear-specific proportions that improved VBGF estimates depended on size selectivity. The VBGF estimates for the Black Crappie population showed that the combined-gear method yielded intermediate parameter values relative to single-gear approaches based on (1) trawl sampling (fishery-independent survey) and (2) angler harvest (as determined from carcass collections; fishery-dependent data). Furthermore, the combined-gear approach had greater precision in individual parameter estimates and much less variance than single-gear approaches when estimating the VBGF. Combining data from two gears can increase sample representativeness, leading to improvements in VBGF estimation. Such approaches can reduce uncertainty in VBGF estimation and can provide insight into key demographic processes occurring in fish populations for which ontogeny and gear selectivity lead to imperfect sampling. Received January 22, 2015; accepted July 30, 2015
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 | 0,000 |
| 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 | 0,001 | 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 ».