MétaCan
Menu
Retour à la cohorte
Enregistrement W7083019981 · doi:10.1093/mcfafs/vtaf030

Modeling seasonal variation in crabbing effort: Which potential drivers and constraints are most influential?

2025· article· en· W7083019981 sur OpenAlexaffabout

Notice bibliographique

RevueMarine and Coastal Fisheries · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensFisheries and Oceans Canada
Organismes subventionnairesnon disponible
Mots-clésFishingAkaike information criterionSeasonalityCatch per unit effortStock (firearms)Seasonal adjustment

Résumé

récupéré en direct d'OpenAlex

Abstract Objective Developing credible representations about how crabbing effort may vary in response to changing conditions, such as catch rates and landings prices, is often required to model the potential outcomes of different policy options. Statistical analysis of seasonal effort data for this purpose, however, has received relatively little attention. This study evaluates the ability of alternative models that include observed fishery components to explain variation in weekly effort in the seasonal Dungeness crab Cancer magister fishery in Hecate Strait, British Columbia. A principal feature of weekly effort is that it tends to decrease linearly as an annual cohort of crabs is harvested over each annual fishing season but still shows considerable variability between weeks and between seasons. Methods Seasonal models were fitted to observed catch and effort data, provided by the Area A Crabbers Association and Fisheries and Oceans Canada. Weekly effort data was modeled using the previous week’s catch, estimated stock abundance, or the catch per unit effort. Several different models were compared, and the best-fitting model was selected using Akaike information criterion. The trap hauls were recorded by the fleet’s vessel monitoring systems. Results A seasonal model associating effort (e.g., trap hauls) with the previous week's total catch best explained weekly effort for all five fishing seasons evaluated (2003–2007); the previous week's catch fitted better than models that used catch per trap haul or previously estimated in-season abundance. The best-fitting models explained the variation in weekly crabbing effort with R2 values ranging from 0.88 to 0.95. Conclusions Landed catch in the previous week explained weekly effort better than either estimated abundance or catch rate in the previous week. This result is credible because crabbers may base their decisions on whether to go crabbing using reports of crab landings in the previous week and this information should be more readily available to them than information on the abundance of harvestable crabs and fleetwide catch rate in the previous week.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,100
Score d'incertitude au seuil0,200

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,187
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMarine and Coastal FisheriesMême sujetGeochemistry and Geologic MappingTravaux en français237 207