Consideration of uncertainties in environmental science and management with examples from Pacific salmon
Notice bibliographique
Résumé
An informal review of the history of new quantitative methods in environmental science, including environmental risk assessment, shows about a 10- to 20-year lag in wide acceptance of such methods by management agencies. To reduce that lag time as innovative methods continue to emerge, environmental scientists will need to work much more intensively with communications specialists on better ways to explain risk analyses and decision-making strategies to non-technical decision makers and the public. Four key uncertainties make such communication difficult: (1) natural variability in both physical and biological processes, (2) imperfect data arising from observation error (i.e., measurement error), (3) incomplete understanding of an environmental system's structure and dynamics, and (4) outcome uncertainty (deviations between realized outcomes and management targets). These uncertainties create risks -- risks to natural populations as well as to people who use them. Examples of these four sources of uncertainty are presented here for Pacific salmon (Oncorhynchus spp.). One promising framework for explicitly taking such uncertainties into account was initially developed in the early 1990s by scientific advisors to the International Whaling Commission. They built stochastic models, which essentially were comprehensive formal decision analyses, to derive management procedures (i.e., sampling designs for collecting data, methods to analyze those data, and state-dependent harvest-control rules for use by managers) that were robust to all the uncertainties considered. This method of "Management Strategy Evaluation" or "Management Procedure Evaluation" is now considered the "gold standard" for conducting risk assessments and making risk-management decisions in marine fisheries.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».