Using simulation to understand annual sea lamprey marking rates on lake trout
Notice bibliographique
Résumé
Sea lampreys attack fish, killing some and leaving marks on others. Great Lakes fishery managers rely on observed marking rates to assess the success of the sea lamprey control program and estimate sea lamprey-induced mortality of lake trout. Because marking rates are only observed on survivors of sea lamprey attacks, they may not provide a reliable index of actual attack or mortality rates. To investigate the effect of survivor bias, we developed a simulation model representing a single season (June–December) of sea lamprey attacks. Simulated attack rates varied with month and lake trout size; simulated pierce and lethality rates varied with month alone. Surveyed marking rates were represented by simulated survivors in October; true rates were calculated from all simulated lake trout (dead and alive) in December. Simulation results were subsetted to include only those within the range of marking rates actually observed in the Great Lakes. Type A (piercing) marking rates were a good index of the sea lamprey attack rate and the sea lamprey-induced mortality rate if annual lethality rates were relatively constant. Type B (non-piercing) marking rates were a good index of the sea lamprey attack rate and the sea lamprey-induced mortality rate if annual pierce rates were relatively constant. Due to the uncertainty surrounding the pierce and lethality rates, we recommend that sea lamprey abundance information be incorporated in existing lake trout statistical catch-at-age models via a functional response component relating sea lamprey feeding to lake trout abundance, if possible.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».