Increased population size of fish in a lowland river following restoration of structural habitat
Notice bibliographique
Résumé
Most assessments of the effectiveness of river restoration are done at small spatial scales (<10 km) over short time frames (less than three years), potentially failing to capture large-scale mechanisms such as completion of life-history processes, changes to system productivity, or time lags of ecosystem responses. To test the hypothesis that populations of two species of large-bodied, piscivorous, native fishes would increase in response to large-scale structural habitat restoration (reintroduction of 4,450 pieces of coarse woody habitat into a 110-km reach of the Murray River, southeastern Australia), we collected annual catch, effort, length, and tagging data over seven years for Murray cod (Maccullochella peelii) and golden perch (Macquaria ambigua) in a restored "intervention" reach and three neighboring "control" reaches. We supplemented mark-recapture data with telemetry and angler phone-in data to assess the potentially confounding influences of movement among sampled populations, heterogeneous detection rates, and population vital rates. We applied a Bayesian hierarchical model to estimate changes in population parameters including immigration, emigration, and mortality rates. For Murray cod, we observed a threefold increase in abundance in the population within the intervention reach, while populations declined or fluctuated within the control reaches. Golden perch densities also increased twofold in the intervention reach. Our results indicate that restoring habitat heterogeneity by adding coarse woody habitats can increase the abundance of fish at a population scale in a large, lowland river. Successful restoration of poor-quality "sink" habitats for target species relies on connectivity with high-quality "source" habitats. We recommend that the analysis of restoration success across appropriately large spatial and temporal scales can help identify mechanisms and success rates of other restoration strategies such as restoring fish passage or delivering water for environmental outcomes.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».