Estimating dead fish quantities dropping out of gillnets when direct observations are impossible
Notice bibliographique
Résumé
Abstract Fish that are caught in passive or fixed fishing gear and subsequently die and drop out of the gear, or that are removed by scavengers, do not show up in catch statistics and constitute unaccounted-for removals. Estimating these removals is challenging, particularly when direct observations are not possible because fishing conditions preclude the use of cameras or other devices or means to catch or observe the removals. Using a simple theoretical process model, we define two independent modelling approaches to estimate unaccounted mortalities resulting from drop-out. The first is based on a minimally refined analysis of commonly available fishery catch per unit effort data. The second, models data that can be obtained straightforwardly from field experiments and from at-sea fishery observers, specifically data on catch amounts, and catch composition according to three condition categories – live, dead-fresh and degraded. We apply these modelling approaches to data from the Gulf of St. Lawrence (Canada) Greenland halibut ( Reinhardtius hippoglossoides ) gillnet fishery, for which multi-day soak durations have long been suspected of generating significant unaccounted fish death while only little evidence is available. In fact, observed proportions of dead decaying and ultimately discarded catch for this fishery are small and increase only a little with increased soak duration, constituting seemingly contradictory evidence. The two modelling approaches produce similar results, estimating that total dead catches of Greenland halibut were on average 4.7 to 5.4 times the recorded landings over the period from 2000 to 2024. This result is consistent with the high mortality levels suggested by the assessment for this stock. Of broader relevance to other gillnet fisheries worldwide that may employ shorter soak duration, we found that estimated unobserved catch losses equalled retained catch after soak durations of 15 hours or less. Importantly the condition of fish in catches may belie the quantities of dead fish losses. Failing to account for fishing derived loss of the magnitude estimated here could result in important biases in stock assessments and associated sustainable harvesting frameworks, in addition to constituting an important source of waste.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».