Modeling dynamics of adult female lice at salmon farming sites in Eastern Canada: a stochastic, state-based approach
Notice bibliographique
Résumé
Introduction Sea lice are parasitic copepods that harm salmon health, reduce farm productivity, and create ecological and economic challenges for aquaculture. Methods A stochastic, state-based, time-dependent epidemiological model was developed to characterize the dynamics of adult female sea lice (Lepeophtheirus salmonis) infestation in Atlantic salmon farms in New Brunswick, Canada. The model integrated covariates associated with farming practices and environmental conditions (stocking week, farming cycle week as proxy of fish age, sea lice treatments, seaway distance to neighboring farms as a proxy for waterborne transmission, and sea surface temperature). Data from 57 farming sites were used for model training and validation. An initial exploratory analysis assessed the relationship between treatment timing and recovery from infestation. Treatment effects were incorporated into weekly transitions between infestation states, accounting for severity and time-varying environmental factors. Results Results suggest that spring and summer stocking increases exposure to external infestation pressure and raises the probability of high lice concentrations. Further, reduced winter treatments are associated with elevated infestation levels. Treatment effectiveness appeared to be compromised by continued waterborne transmission from nearby farms. Discussion The model achieved an overall likelihood of 59%, reaching up to 74% during the first 10 weeks following stocking. Limitations included the use of proxy connectivity measures, i.e. seaway distance, rather than hydrodynamic connectivity, and the absence of data on fish size, salinity, and other farming practices such as fish density. Additionally, we were unable to include information from all farms in the study area, potentially underestimating transmission risk. Addressing these gaps and integrating hydrodynamic connectivity and fish growth models could improve predictive performance.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».