Disease in Central Valley Salmon: Status and Lessons from Other Systems
Notice bibliographique
Résumé
hinook Salmon (Oncorhynchus tshawytscha) are increasingly vulnerable to anthropogenic activities and climate change, especially at their most southern range in California’s Central Valley. There is considerable interest in understanding stressors that contribute to population decline and in identifying management actions that reduce the effects of those stressors. Along the west coast of North America, disease has been linked to declining numbers of salmonids, and identified as a key stressor that results in mortality. In the Central Valley, targeted studies have revealed extremely high prevalence of infectious agents and disease. However, there has been insufficient monitoring to understand the effect that disease may have on salmon populations. To inform future research, monitoring, and management efforts, a two-day workshop on salmon disease was held at the University of California, Davis (UC Davis) on March 14-15, 2018. This paper summarizes the science presented at this workshop, including the current state of knowledge of salmonid disease in the Central Valley, and current and emerging tools to better understand its effects on salmon. We highlight case studies from other systems where successful monitoring programs have been implemented. First, in the Klamath River where the integration of several data-collection and modeling approaches led to the development of successful management actions, and second in British Columbia where investment in researching novel technologies led to breakthroughs in the understanding of salmon disease dynamics. Finally, we identify key information and knowledge gaps necessary to guide research and management of disease in Central Valley salmon populations.
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 | 0,001 |
| 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) | 0,000 | 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 ».