Sequential analysis and design of fixed-precision sampling of Lake Kariba fishes using Taylor’s power law
Notice bibliographique
Résumé
Taylor’s power law (TPL), which states that the variance of abundance is a power function of mean abundance, has been used to design sampling of agricultural pests and fish species. We show that TPL holds for means and variances of abundance of accumulated fish samples in the fished and unfished areas separately of Lake Kariba (between Zambia and Zimbabwe), measuring abundance indices by number and weight separately. We use TPL parameters estimated from sequentially accumulated samples to update a stopping line of fixed precision 0.1 after each new sample from a sampling day. In these Lake Kariba data, depending on the sampling area and abundance measure, our updated stopping-line method requires 21% to 41% of the number of sampling days and 19% to 40% of the number of samples that are planned a priori and performed under systematic sampling. Our novel method yields mean abundance estimates similar to those from systematic sampling and provides a conservative approach to reaching a fixed sampling precision level with reduced sampling labor and time. Using mixed-effect modeling for cumulative means and variances with either number or weight from both fished and unfished areas, we find that fishing increases the slope of TPL. This study provides the conceptual framework and an empirical case study for implementing a sequential sampling method for fish assemblages of an inland lake. The possible limitations and applications of our method for sampling in other environments are discussed.
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 | 0,001 | 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».