A practical introduction to effective population size for fisheries management
Notice bibliographique
Résumé
ABSTRACT Objective So far, many of the texts describing effective population size (Ne) offer technical descriptions that limit accessibility to nonspecialized audiences, hindering widespread uptake into natural resource management and biodiversity conservation. Our aim is to provide a practical introduction to Ne that is accessible to a wide audience, especially natural resource managers and other practitioners who lead decision-making efforts in fisheries contexts. Methods We summarize key concepts related to measuring and monitoring Ne in managed fish populations. We primarily focus on widely used linkage disequilibrium methods for measuring contemporary Ne. Among other topics, we review the value of Ne for conservation and management, basic assumptions of this parameter, common estimation methods, important study design considerations, and representative empirical examples. Additionally, we use simulations to explore two practical elements of studies aimed at inferring Ne: identifying an appropriate number of individuals to sample per population and a suitable number of molecular markers to survey across populations. Results Using accessible language, we illuminate the important role Ne plays in conserving and managing wild fish populations and describe practical elements related to estimating this parameter. Further, our simulations demonstrate the relationship among numbers of surveyed individuals and molecular markers on the accuracy and precision of Ne estimates, highlighting critical elements in the design of studies to measure Ne. Conclusions Together with more widely appreciated and implemented metrics, Ne forms a vital part of a complete tool kit for conserving and managing wild populations, including in fisheries contexts. While not a comprehensive review, our aim is that by providing a practical introduction to the complex concepts underlying Ne, we will facilitate increased conversation among practitioners with diverse areas of expertise and ultimately support expanded integration of this and related parameters into fisheries conservation and management efforts.
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 | 0,009 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,010 |
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 ».