Data Quality, Data Quantity, and Its Effect on an Applied Stock Assessment of Cisco in Thunder Bay, Ontario
Notice bibliographique
Résumé
Abstract Stock assessments, or population models developed to support fishery management decisions, require informative data to produce reliable estimates. However, resources available to collect these data are limited. Thus, information relating the effects of different data collection schema on stock assessment performance should be of interest to fishery managers. We used an existing data set on a stock of Cisco Coregonus artedi in Thunder Bay to simulate various degrees of reduction in available data. We considered both cluster subsampling of biological data from the commercial fishery harvest (which determine the observed harvest age composition) and reductions in the frequency of hydroacoustic surveys in order to examine their effect on fits of an age-structured stock assessment model for the stock. Our results indicate that reductions in the frequency of hydroacoustic surveys would have a greater effect on applied stock assessment performance for Thunder Bay Cisco than would reductions in biological sampling to randomly selected temporal clusters of the fishery harvest. Reduction in the frequency of the hydroacoustic survey resulted in different point estimates and larger estimated uncertainty for spawning biomass and natural mortality rate compared with the original assessment model. This was likely largely driven by increases in lag between the final year of the survey and the current year of the assessment. The lower influence of reduced biological sampling may be due to the highly variable nature of Cisco recruitment, where large or “boom” year-classes were still evident in the reduced biological samples, combined with information from survey age compositions. We suggest a priority be placed on performing hydroacoustic surveys with some regularity, such that when they are performed, they are done extensively to minimize uncertainty (measurement error). The data subsampling approach used here could be used in many assessments to determine if a reduction in sampling of various types could be implemented without materially changing assessment results.
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 | 0,018 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».