Spatiotemporal modeling of mature‐at‐length data using a sliding window approach
Notice bibliographique
Résumé
Abstract Assessing maturity status of fish and invertebrate species is important for understanding population dynamics with results (e.g., estimates of reproductive potential) often used to inform fisheries management strategies (e.g., the setting of minimum legal size requirements for fishing). Maturity rates may vary substantially across a population's range, as well as between years. In addition, maturity data are typically obtained from fisheries‐independent surveys that may be incomplete (or missing) from year to year. Here we propose a spatial generalized linear mixed model (GLMM) framework for maturity data that includes spatially correlated random effects to address variations in space, and a sliding window approach to deal with unbalanced maturity data in both space and time. We demonstrate, with both real data and a simulation study, that this combined approach results in unbiased estimates of important growth parameters. Results of using our spatial GLMM framework with Greenland halibut (Rheinhardtius hippoglossoides) mature‐at‐length data from surveys of the eastern Canadian Arctic show that females mature at a much larger size than do males. The length at which 50% of the stock is mature () is found to be higher in Baffin Bay compared to Davis Strait, and a declining trend in the in recent years is revealed for both sexes. Our proposed methodology extends far beyond our current application in being useful for analyzing unbalanced spatiotemporal data from an array of diverse scientific fields.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».