Drivers of population dynamics and juvenile mortality in northwest Atlantic harp seals
Notice bibliographique
Résumé
Human-induced threats to terrestrial and marine wildlife are on the rise, and while some species may face a single major threat that is easily identifiable, others face multiple concurrent threats. Harp seals, an abundant pinniped in the north Atlantic that was historically depleted by human harvest, are one such species: while commercial and subsistence harvests remain a significant source of mortality, in recent decades their environment has undergone significant changes which could also impact population dynamics. Inferring the relative importance of various threats as drivers of population dynamics can be challenging, particularly for marine species where monitoring abundance is difficult: the use of integrated population models (IPM), which leverage multiple data sources to parameterize process-based models of population dynamics, provide one solution to this challenge. We developed a hierarchical Bayesian IPM with which to explore the shifting roles of anthropogenic and environmental factors in driving population trends. We used a competing hazards formulation for survival, enabling the partitioning of mortality into multiple discreet causes (hazards), and allowing us to assess how these different hazards varied over 7 decades (1952 – 2019). We fitted the model to available data on pup production, fecundity, age structure, human removals and environmental conditions, and used the fitted model to produce annual estimates of pup production and total abundance. We conducted a Bayesian life stage simulation analysis (LSA) to compare the relative contributions of various hazards to variation in population growth. We found that harvests of young of the year and adults were the primary contributors to variation in population trends from 1951-1982; however, after 1983 the relative importance of harvest mortality decreased while the impacts of natural mortality increased, especially for young of year (YOY), and since 2000 the impacts of YOY mortality from ice cover anomalies have become one of the strongest drivers of trends. Based on current climate models, which project warmer water and decreasing ice cover, we expect continued high levels of YOY mortality from environmental factors such as deteriorating ice conditions. These climate-related hazards are likely to become the dominant drivers of population dynamics in coming decades, which will in turn affect sustainable harvest levels for both Canada and Greenland. Our model will provide a useful tool for exploring future scenarios of climate impacts and management strategies.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».