MétaCan
Menu
← Retour à la cohorte
Enregistrement W2791065347 · doi:10.1139/cjfas-2017-0302

Predator–prey dynamics mediate long-term production trends of cisco (<i>Coregonus artedi</i>) in a northern Wisconsin lake

2018· article· en· W2791065347 sur OpenAlexvenueno aff
Timothy P. Parks, Andrew L. Rypel

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensnon disponible
Organismes subventionnairesWisconsin Department of Natural ResourcesCisco SystemsNational Science Foundation
Mots-clésTroutStockingCoregonusFisherySalvelinusBiomass (ecology)PredationEnvironmental scienceEcologyBiologyFish <Actinopterygii>

Résumé

récupéré en direct d'OpenAlex

We quantified production, biomass, and production to biomass (P/B) ratios for cisco (Coregonus artedi) in Trout Lake, Wisconsin, USA (2001–2015). Across all years, annual production, biomass, and P/B were variable ranging 0.6–30.2 kg·ha−1·year−1, 1.2–39.7 kg·ha−1, and 0.4–0.9·year−1, respectively. Cisco production exhibited obvious decline. However, neither biomass nor P/B changed significantly over time. Long-term patterns of environmental conditions remained unchanged during the study and were unrelated to cisco production. However, lake trout (Salvelinus namaycush) relative abundance showed a strong inverse relationship with cisco production and biomass. Intense lake trout stocking has occurred in this lake over time to conserve a genetically unique strain of the species. These management efforts may have had the unintended consequence of amplifying top-down predation on cisco. Since cisco P/B has gone largely unchanged, cisco production would be predicted to rebound quickly to adaptive reductions in lake trout stocking. Further increases in lake trout numbers could place both populations at risk of collapse. This study provides an example of a fisheries production approach for understanding and conserving cold-water fisheries, especially in lakes dominated by ciscoes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,169
Score d'incertitude au seuil0,337

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,210
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetFish Ecology and Management Studies→Travaux en français237 207→