Forecasting Shrimp and Fish Catch in Chilika Lake over Time Series Analysis
Notice bibliographique
Résumé
Chilika lagoon (a Ramsar site) is a large source of fish production and biodiversity situated in the east coast of India, Odisha. Shrimp landings contribute an average of 4185 MT (Metric Ton) around 35% of total fish production. In this study, SARIMA (Seasonal Auto Regressive Integrated Moving Average) model has been developed on quarterly time series shrimp catch data during the year 2001–2015 and forecasted up to 2018. The best model was selected on Akaike Information Criteria (AIC) and Bayesian Information Criterion (SBC). Results showed that maximum average shrimp landings were observed in the first quarter period (summer season), whereas maximum variation in catch was observed during second quarter Q2 (monsoon season) and lowest variation in the fourth quarter Q4 (winter season) catch during the year 2001–2015. The developed time series SARIMA (0,1,1)(0,1,1)4 model was found to be the best fitted model for the shrimp landings in the lagoon. This article also delineates the application of SARIMAX model (SARIMA with regressors) using monthly catch prediction of fisheries in the Chilika Lake. The developed model is validated with less than 10% errors showing increasing fish catch in the upcoming years by maintaining the present lake condition.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,010 | 0,018 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,297 | 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 ».