Estimating sea lice infestation pressure on salmon farms: Comparing different methods using multivariate state-space models
Notice bibliographique
Résumé
Sea lice are ectoparasites of salmonids, and are considered to be one of the main threats to Atlantic salmon farming. Sea lice infestation on a farm is usually initiated by attachment of the free-living copepodid stage derived from the surrounding water, frequently originating from adult lice on the same farm or from neighboring salmonid farms, referred to as internal and external sources, respectively. Various approaches have been proposed to quantify sea lice infestation pressure on farms to improve the management of this pest. Here, we review and compare five of these methods based on sea lice data from 20 farms located near Grand Manan island in the Bay of Fundy, New Brunswick, Canada. Internal and external infestation pressures (IIP and EIP, respectively) were estimated using different approaches, and their effects were modeled either by a unique parameter for all production cycles or by different parameters for each production cycle, using a multivariate state-space model. Predictive variables, such as water temperature and sea lice treatments, were included in the model, and their effects across production cycles were estimated along with those of other model parameters. Results showed that models with only EIP explained the variation in the data better than models with only IIP, and that models with unique IIP and unique EIP for all cycles were generally associated with the best model fit. The simplest, fixed lag method for calculating infestation pressure had the best predictive performance in our models among the methods studied.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».