Multi-Criteria Decision Analysis for Recreational Trout Fisheries in British Columbia, Canada: A Bayesian Network Implementation
Notice bibliographique
Résumé
One of the key challenges in recreational fisheries management is to provide a rational basis for decisions in the face of conflicting objectives, such as improving angling opportunities, maintaining satisfaction across a diverse fishing client base, controlling costs, and conserving wild populations. We developed a multi-criteria decision analysis approach for managing recreational trout fisheries (e.g., Rainbow Trout <i>Oncorhynchus mykiss</i>). The approach was implemented in a Bayesian decision network. The decision support tool, called “Stock-Optim,” provides a user-friendly interface for predicting fishery performance from alternate stocking prescriptions. The tool integrates survey information on angler typology and satisfaction with previously developed models for fish biology and fishery dynamics to more fully consider the biological and social outcomes of management decisions. Specifically, the tool evaluated alternative stocking options given three performance criteria: angler effort, angler satisfaction, and the cost of the stocking program. Predicted effort was highest for fish that were released in the size range of 8–20 g and at stocking densities of 200–500 fish/ha. Effort maximization at these rates and sizes is a result of compromise between the conflicting preferences of Rainbow Trout enthusiasts and occasional anglers toward fish size and harvest. Furthermore, lowering the stocking program’s costs will lead to lower stocking rates and thereby favor the enthusiasts. Currently, stocking levels in British Columbia are lower than levels that would maximize effort and are most consistent with a policy of maximizing satisfaction for Rainbow Trout enthusiasts and minimizing costs. Stock-Optim will allow managers to compare predicted outcomes from the current and alternative regimes with stated lake-specific or region-specific management objectives and regional averages and thereby more closely meet these objectives in the future. Lastly, the model was validated by comparing predicted effort with observed effort in stocked lakes. Received February 1, 2016; accepted July 14, 2016 Published online November 28, 2016
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 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 ».