Un nouveau modèle spatial écosystémique de production excédentaire pour la crevette nordique dans les zones de pêche à la crevette 4 à 6
Bibliographic record
Abstract
Bien que la crevette nordique (Pandalus borealis) représente l’un des stocks les plus importants des eaux canadiennes sur le plan économique, il n’existe pas de modèle de la population visant à prédire comment la pression de la pêche et les conditions environnementales changeantes pourraient influer sur son abondance future dans les zones de pêche à la crevette (ZPC) 4 à 6. Nous avons testé divers modèles de production excédentaire qui comprenaient des prédicteurs potentiels, comme la densité des prédateurs, la température au fond, les conditions climatiques à grande échelle, le plancton, les tendances du recrutement et la pression de la pêche, afin d’évaluer leur capacité à prédire les changements annuels de la densité de la biomasse de la crevette nordique. Un modèle autorégressif de production excédentaire avec décalage- 1 spatialement explicite, qui comprenait la densité de la morue franche (Gadus morhua), la densité des autres prédateurs (flétan du Groenland Reinhardtius hippoglossoides et sébaste Sebastes spp), l’indice de l’oscillation nord-atlantique (ONA) et la biomasse de la crevette nordique comme prédicteurs, s’est révélé être le meilleur modèle. Ce modèle représente un pas en avant pour l’évaluation de la crevette nordique dans les ZPC 4 à 6, mais comme pour toute modélisation, il faut faire preuve de prudence lorsqu’on l’applique hors de l’éventail des conditions écosystémiques déjà observées, et des évaluations continues de son efficacité seront nécessaires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".