Estimating Riverwide Abundance of Juvenile Fish Populations: How Much Sampling is Enough?
Notice bibliographique
Résumé
Abstract Estimating riverwide abundance of juvenile fish populations is challenging because detection probability is typically low and juveniles can be patchily distributed over large areas. We used a hierarchical Bayesian model to estimate the abundance of juvenile steelhead Oncorhynchus mykiss in two rivers in British Columbia over 3 years based on a multigear, two-phase sampling design. These estimates were used to drive a simulation model to evaluate how the precision of abundance estimates varied with the number of single-pass index and mark–recapture sites that were sampled, the proportion of shoreline sampled, and the mean and variation of detection probability and fish density across sites. The extent of variation in fish densities across index sites was the most important factor influencing the precision of river-wide abundance estimates, and increasing the number of index sites was the best approach to reduce variability in abundance estimates. River size, which controls the proportion of habitat sampled for a given level of sampling effort, had a moderate effect on precision, but only when the extent of site-to-site variation in fish density was high. Factors affecting detection probability, such as the number of mark–recapture sites, the mean detection probability, or the extent of variation in detection probability across sites, had much less influence on precision of abundance estimates unless the proportion of river sampled was high. Hierarchical Bayesian models are no substitute for collecting informative data, but they improve our understanding of variance structure, which is critical for providing realistic estimates of uncertainty and designing informative and efficient sampling programs. Received July 16, 2015; accepted October 7, 2015 Published online March 8, 2016
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 | 0,021 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».