Threshold-based disease treatment approach modulates economic, conservation and evolutionary trade-offs in sea louse-salmon aquaculture system
Notice bibliographique
Résumé
Mitigating negative downstream impacts of parasitic disease in aquaculture settings entails tradeoffs: reducing parasite loads has economic and conservation benefits, but treatment is often expensive and frequent treatment can lead to resistance evolution. Options for mitigating these potential trade-offs depend on the management context. For example, in the sea louse-salmon system, managers use discrete treatment applications to control louse burdens, applying treatment when parasite burdens exceed a target threshold. To analyze the effect of a threshold-based control of disease treatment on economic, conservation, and evolutionary outcomes, we incorporate discrete treatment into a dynamical model of sea louse-salmon systems with disease spillover to wild populations. The model follows both salmon hosts and sea lice through domestic, wild, and migratory populations, with treatment occurring when sea lice exceed a target threshold. Our model shows that simultaneous economic and conservation win-wins are possible: there are treatment threshold choices that lead to relatively high wild juvenile salmon population sizes and relatively low economic losses, especially when treatment is very effective or treatment is cheap. However, positive evolutionary outcomes are harder to capture and occur most often when treatment efficacy is low and the treatment threshold is either near zero or very high. Expanding the management toolbox beyond choices of treatment threshold and treatment efficacy could help managers better capture positive economic, evolutionary and conservation outcomes in the system.
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 | 0,001 |
| 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 ».