Limitations of Non‐Volitional Upstream Passage for Alewife ( <scp> <i>Alosa pseudoharengus</i> </scp> ) and Blueback Herring ( <scp> <i>Alosa aestivalis</i> </scp> )
Notice bibliographique
Résumé
ABSTRACT We used PIT telemetry ( n = 10,292 fish tagged) to evaluate upstream passage at a non‐volitional fishway (trap, lift, and truck) that passed approximately 10‐million river herring (alewife Alosa pseudoharengus and blueback herring A . aestivalis ) around the lowermost dam in the Wolastoq/Saint John River, NB between 2020 and 2023. Between 26% and 62% of tagged fish reached the fishway crowding pool, while less than 14% were detected passing upstream. River herring experienced considerable passage delays (median = 3 days) after reaching the crowder entrance. The probability of passing on the date of first detection was only 10%, and it was positively correlated with the rate of fishway operation (i.e., fish lifts/unit time). The rate and probability of passage were greater for alewife than blueback herring and increased with total length for both species. Collectively, our results suggest that passage efficiency and duration were limited by the movement capacity and operation frequency of the fishway, and potentially the (high) number of fish attempting to pass at a given time. Ultimately, if the design and operation of non‐volitional fishways do not accommodate the size and behavior (i.e., schooling density and migration time) of target populations, our results indicate that potential consequences may include passage delays, reductions in passage efficiency, and selective pressures (e.g., size and species) on target populations.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».