Angler Effort Estimates from Instantaneous Aerial Counts: Use of High-Frequency Time-Lapse Camera Data to Inform Model-Based Estimators
Notice bibliographique
Résumé
Abstract Due to the logistics of monitoring remote and diffuse fisheries, typically only a small portion of the annual fishing effort can be observed, and a random sample is often impractical. We used a large data set (over 250,000 observations) from time-lapse cameras placed at 53 lakes across the province of British Columbia, Canada, to better understand the relative influence of different temporal strata (time of day, day type, and month) on the relative number of fishing boats observed on lakes. The high temporal frequency data available from cameras were used to evaluate alternative effort monitoring and estimation strategies for aerial surveys that are commonly used in recreational fisheries. We tested the predictive performance of simple mean count expansion factors versus generalized linear mixed models (GLMMs) under random and stratified (targeting high-effort strata) sampling regimes. Out-of-sample cross validation showed that the current sampling protocol and estimation method (mean count expansion) used for aerial surveys in British Columbia have low predictive power and are biased. A stratified sampling design combined with the GLMM estimator was an efficient strategy that could easily be applied to effort monitoring programs using aircraft. Moreover, the GLMM approach is much more flexible to interpret data obtained from nonstandard sampling regimes and can estimate angler effort over any temporal scale. We outline several summary statistics on accuracy, precision, and bias of estimates at different sample sizes so that managers can evaluate expected precision versus sampling effort in their management jurisdictions. Furthermore, we suggest that our general approach of using camera data to parameterize predictive models applied to data from other low-frequency effort monitoring methods (such as aircraft) can easily be replicated elsewhere.
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».