Pacific Salmon: Ecology and Management of Western Alaska’s Populations
Notice bibliographique
Résumé
Abstract.—Most studies addressing relationships between salmonids, their freshwater habitats, and natural and anthropogenic influences have focused on relatively small areas and short time periods. The limits of knowledge gained at finer spatiotemporal scales have become obvious in attempts to cope with variable and declining abundances of salmon and trout across entire regions. Aggregating fine-scale information from disparate sources does not offer decision makers the means to solve these problems. The Salmon Research and Restoration Plan for the Arctic-Yukon-Kuskokwim Sustainable Salmon Initiative (AYK-SSI) recognizes the need for approaches to characterize determinants of salmon population performance at broader scales. Here we discuss data and modeling tools that have been applied in western Oregon to understand how landscape features and processes may influence salmonids in freshwater. The modeling tools are intended to characterize landscape features and processes (e.g., delivery and routing of wood, sediment, and water) and relate these to fish habitat or abundance. Models that are contributing to salmon conservation in Oregon include: (1) expert-opinion models characterizing habitat conditions, watershed conditions, and habitat potential; (2) statistical models characterizing spatial patterns in and relationships among fish, habitat, and landscape features; and (3) simulation models that propagate disturbances into and through streams and predict effects on fish and habitat across a channel network. The modeling tools vary in many aspects, including input data (probability samples vs. census, reach vs. watershed, and field vs. remote sensing), analytical sophistication, and empirical foundation, and so can accommodate a range of situations. In areas with a history of salmon-related research and monitoring in freshwater, models in the three classes may be developed simultaneously. In areas with less available information, expert-opinion models may be developed first to organize existing knowledge and to generate hypotheses that can guide data collection for statistical and simulation models.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».