Interactions between ageing error and selectivity in statistical catch-at-age models: simulations and implications for assessment of the Chilean Patagonian toothfish fishery
Notice bibliographique
Résumé
Abstract In age-structured fisheries stock assessments, ageing errors within age composition data can lead to biased mortality rate and year-class strength estimates. These errors may be further compounded where fishery-dependent age composition data are influenced by temporal changes in fishery selectivity and selectivity misspecification. In this study, we investigated how ageing error within age composition data interacts with time-varying fishery selectivity and selectivity misspecification to affect estimates derived from a statistical catch-at-age (SCA) model that used fishery-dependent data. We tested three key model parameters: average unfished recruitment (R0), spawning stock depletion (Dfinal), and fishing mortality in the terminal year (Fterminal). The Patagonian toothfish (Dissostichus eleginoides) fishery in southern Chile was used as a case study. Age composition data used to assess this fishery were split into two sets based on scale (1989–2006) and otolith (2007–2012) readings, where the scale readings show clear age-truncation effects. We used a simulation-estimation approach to examine the bias and precision of parameter estimates under various combinations of ageing error, selectivity type (asymptotic or dome-shaped), selectivity misspecification, and variation in selectivity over time. Generally, ageing error led to overly optimistic perceptions of current fishery status relative to historical reference points. Ageing error generated imprecise and positively biased estimates of R0 (range 10 to >200%), Dfinal (range −20 to >100%), and Fterminal (range −15 to >150%). The bias in Dfinal and R0 was more severe when selectivity was dome-shaped. Time-varying selectivity (both asymptotic and dome-shaped) increased the bias in Dfinal and Fterminal, but decreased the bias in R0. The effect of ageing error was more severe, or was masked, with selectivity misspecification. Correcting the ageing error inside the SCA reduced bias and improved precision of estimated parameters .
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».