Estimating survival of an anadromous salmonid using Bayesian hierarchical models applied to acoustic telemetry, biological, and environmental data
Notice bibliographique
Résumé
Abstract Hierarchical modelling is frequently used to model ecological processes because of its ability to handle complex ecological phenomena by decomposing them into naturally explainable sub-models. Hierarchical Bayesian approaches have gained widespread use in health, social, and environmental sciences, including in the estimation of demo-graphic parameters such as survival. In this study, we combine Bayesian hierarchical models with acoustic telemetry data to estimate survival probabilities for high-latitude populations of an anadromous salmonid, the Arctic char (Salvelinus alpinus) , while in-corporating environmental and biological covariates to assess their impact on survival. The model we present here can also account for temporally varying detection probabilities due to changes to the acoustic receiver array design and seasonal variation in the detection probabilities related to environmental conditions (e.g., ice vs. no ice). As previously documented in this species, survival was high ( > 0.87) and we found that the covariates pertaining to sea ice coverage and Fulton’s condition factor impacted the survival probabilities. Contrary to our expectations, high-condition fish had lower survival rates. Survival was also considerably lower during the summer (open-water) compared to winter (ice-covered) seasons. While the biological explanations and implications of these findings require further exploration, they nonetheless demonstrate the utility of this approach. Specifically, we present a hierarchical Bayesian model that can consider environmental and biological covariates while accounting for varying detection probabilities, a major concern of acoustic telemetry studies. The model can be easily adapted for other taxa with similar life histories where mark recapture data are available and can be extended to include additional environmental (e.g., salinity) and biological parameters (e.g., sex).
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».