MODELING SPECIES ABUNDANCE WITH IMPERFECT DETECTION USING ANGLING
Notice bibliographique
Résumé
Modeling species abundance and predicting species distribution are important tools for fisheries management. Advanced modeling techniques have allowed for predictive models with increased accuracy to be developed because of their ability to account for imperfect detection. Novel sampling methods have been created to sample aquatic environments such as large bodies of water that cannot be easily sampled by traditional fisheries methods. I surveyed Loughborough Lake near Kingston, Ontario to develop abundance models that would predict species distribution based on depth and fetch habitat variables using angling as the sampling method. Loughborough Lake is a 2000-hectare lake that has interesting bathymetric and limnological characteristics with two distinct basins. An angling protocol was developed to be able to sample all environments of the lake while being able to efficiently sample sites. Abundance modelling was completed for Largemouth Bass, Smallmouth Bass, Rock Bass, Pumpkinseed, Bluegill and Yellow Perch. Results showed that a broad distribution of centrarchid species, and other species, was not observed throughout Loughborough Lake. In contrast, centrarchid distribution was characterized as basin-specific in nature with different species occupying either the eastern or western basin. This pattern was unexpected, but it may be explained by variation in fetch, which functions as a surrogate for vegetation. Angling was found to be an effective method that allowed an individual sampler to efficiently obtain count data. The valuable information gained from the combination of the abundance models and a novel sampling method could improve sampling programs and aid in future research.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».