Linking hierarchical population models with habitat data improves assessment of data-limited salmon stocks
Notice bibliographique
Résumé
ABSTRACT Objective Managing data-limited populations is a challenge to the sustainability of fisheries globally. Meta-analytic approaches, where insights from data-rich populations are drawn on to inform data-limited ones, along with the use of habitat-based information, have each been proposed as ways to overcome data-limited assessment challenges, but the two approaches have rarely been combined. Sockeye Salmon Oncorhynchus nerka spawn and rear in many remote coastal watersheds of British Columbia, Canada, challenging comprehensive population assessments. Estimating conservation and management reference points for such populations is particularly relevant given their importance to Indigenous and commercial fisheries. Most Sockeye Salmon have obligate lake-rearing as juveniles, and total abundance is typically limited by production in nursery lakes. Although methods have been developed to estimate population capacity based on the photosynthetic rate of nursery lakes and lake area or volume, they have not yet been widely incorporated into spawner–recruitment analyses. Methods We tested the value of combining these lake-based capacity estimates with various hierarchical structures in spawner–recruitment analyses to assess population status using a set of Bayesian spawner–recruitment models for 69 populations across coastal British Columbia, many of which were data limited. Results Our analysis revealed regional variation in the population productivity of Sockeye Salmon, with coastal populations exhibiting slightly lower mean productivity than those in interior watersheds. Hierarchical spawner–recruitment models with and without informative lake habitat-based priors greatly improved predictive ability across all populations. Conclusions These findings reveal opportunities to integrate spatial analyses of habitat characteristics with population models to inform the conservation and management of exploited species and their natal habitats, particularly where populations are data limited.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,005 |
| 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 ».