Forecasting fish recruitment in age‐structured population models
Notice bibliographique
Résumé
Abstract Recruitment in age‐structured stock assessment models can be forecasted using a variety of algorithms to provide advice on the anticipated consequences of different possible management actions. Selecting one method over another usually involves some subjectivity, yet can be consequential to the provision of advice. Extensive case‐specific testing is not always feasible. We evaluated the forecast skill in 3‐, 5‐ and 10‐year forecasts of 16 recruitment forecasting methods under various circumstances to provide a broad evaluation and general guidelines on the reliability of forecasts. We used 31 operating models based on existing stock assessment models applied to a diversity of stocks with empirical data, which we show to be generally representative of assessed stocks worldwide. Although no single best‐performing method could be identified, we found that time‐series methods were most likely to perform poorly. Both forecast skill across all methods and forecast sensitivity to the selected method were linked to the properties of the stock or assessment: age at maturity and recruitment autocorrelation in 3‐year forecasts and previous long‐term recruitment variability in 10‐year forecasts. In some situations, all forecasting methods resulted in systematic over‐ or underestimation of spawning stock biomass. The simulation approach employed here to assess forecast performance, rooted directly in the predictions of existing stock assessment models, can be a complementary tool to existing simulation approaches which generate alternative sets of population dynamics or observations and we discussed the advantages and limitations.
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) | 0,004 | 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 ».