Misspecification in stock assessments: Common uncertainties and asymmetric risks
Notice bibliographique
Résumé
Abstract Common uncertainties in stock assessment relate to parameters or assumptions that strongly determine both the estimates of quantities of management interest (e.g. stock depletion) and related reference points (e.g. biomass at maximum sustainable yield). The risks associated with these uncertainties are often presented to managers in the form of decision tables. However, a formal evaluation of the risks from misspecifying an assessment model over time‐horizons spanning multiple assessment cycles requires closed‐loop simulation. There were two aims of this study: (a) develop an approach to identify and evaluate asymmetries in risk to yields and spawning biomass due to biases in key parameters and data sources in a stock assessment model, (b) quantify the relative importance of correctly specifying the various assessment attributes. A computationally efficient stock reduction analysis was evaluated using closed‐loop simulation to identify risks associated with a stock assessment with persistent positive and negative biases in the key parameters and inaccurate assumptions regarding data sources. Six types of assessment misspecification were examined, namely the assumed natural mortality rate, the assumed recruitment compensation ratio, the assumed age of maturity, a hyper‐stable or hyper‐deplete index of abundance, over‐ or under‐reporting of historical catch, and misspecification of the assumed shape of the selectivity curve. This study reveals large asymmetries in risk associated with common uncertainties in stock assessment processes. We highlight the value of reproducible and computationally efficient stock assessment models that can be investigated by closed‐loop simulation before being used for fisheries management.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,003 | 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 ».