Pacific Salmon: Ecology and Management of Western Alaska’s Populations
Notice bibliographique
Résumé
<em>Abstract.</em>—Many fishery management decisions continue to be guided by science only through “best guess” interpretation of assessment information and deterministic models of fisheries and food webs; until very recently this was true of nearly all fishery management in the Great Lakes. However, fishery management decisions can be improved by formally considering uncertainty when evaluating management options; practical tools for doing this have become increasingly available. Accounting for uncertainty is important because acting as though the best guess is true may be substantially suboptimal if this leads to poor performance for other less likely, but still plausible, “states of the world.” For a variety of critical Great Lakes fishery management issues, including determining appropriate investments in sea lamprey <em>Petromyzon marinus </em>control, setting suitable levels of salmonine stocking, and establishing percid harvest policies, are considered. In each case, the authors worked closely with fishery managers to conduct a decision analysis of management options they identified, using contemporary statistical methods to formally assess uncertainty about key fishery parameters and stochastic simulation to compare management options. These decision analyses were used by fishery managers to develop policies that more objectively account for uncertainty and to garner support from stakeholders and policy makers. The approach shows considerable promise for future fishery management in the Great Lakes, but may face substantial challenges as managers seek to more effectively involve stakeholders throughout the process, foster the requisite technical expertise within their agencies, and communicate the results of highly technical analyses to both stakeholders and decision makers. Three important aspects of salmon Arctic-Yukon-Kuskokwim region management for which a decision analysis approach would be particularly valuable are (1) the evaluation of different options for assessment sampling of returning adult salmon, used to determine whether escapement targets are being met; (2) strategies for in-season management of salmon harvest; and (3) setting annual escapement goals for individual stocks.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».