Un modèle opérationnel révisé pour la morue charbonnière en Colombie-Britannique, Canada en 2016
Bibliographic record
Abstract
Pêches et Océans Canada (MPO) et l’industrie de la pêche de la morue charbonnière (Anoplopoma fimbria) de la Colombie-Britannique collaborent à un processus d’évaluation de la stratégie de gestion (ESG) depuis 2009. Ce processus est utilisé pour élaborer et mettre en œuvre une stratégie de récolte transparente et durable pour la pêche de la morue charbonnière à engins multiples. Des variations des modèles structurés selon l’âge ont été utilisées dans les essais par simulation des procédures de gestion proposées, et représentent donc la pierre angulaire du processus d’évaluation de la stratégie de gestion. Dans le présent document, nous révisons le modèle opérationnel de la morue charbonnière afin de tenir compte d’une possible erreur de spécification du modèle structurel et d’un manque d’ajustement aux principales observations reconnues dans les modèles précédents. Ces modifications sont les suivantes : i) remplacement d’un modèle opérationnel structuré selon l’âge et le groupe de croissance par un modèle à deux sexes structuré selon l’âge afin de tenir compte des différences observées dans la croissance, la mortalité et la maturation entre les morues charbonnières mâles et femelles, ii) ajustement des proportions selon l’âge du modèle au moyen d’une matrice d’erreur de détermination de l’âge, iii) mise à l’essai de modèles de sélectivité variable dans le temps et iv) révision de la vraisemblance logistique multivariée de la composition selon l’âge afin de réduire la sensibilité du modèle aux petites proportions d’âge. Ces révisions structurelles du modèle opérationnel ont amélioré les ajustements aux données sur la composition selon l’âge et les rejets qui n’étaient pas bien ajustés par le modèle opérationnel précédent. La prise en compte des erreurs de détermination de l’âge a amélioré les estimations de la série chronologique du recrutement de la morue charbonnière d’âge 1 en réduisant l’autocorrélation irréaliste présente dans les résultats du modèle précédent. Les estimations obtenues indiquent clairement de fortes classes annuelles de morue charbonnière, semblables à celles du golfe d’Alaska sur le plan de la période et de l’ampleur. Deux résultats imprévus ont été obtenus. Tout d’abord, les paramètres de sélectivité variable dans le temps n’étaient pas estimables (ou nécessairement utiles) malgré l’information sur la valeur a priori informative fournie par le marquage. Ensuite, de meilleures estimations du recrutement ont aidé à expliquer l’échelle et la tendance temporelle de la remise à l’eau dans la pêche au chalut. Cette dernière constatation représente une amélioration importante de notre capacité à évaluer les règlements et les incitatifs visant à réduire les rejets dans toutes les pêches. Les estimations de l’état, de la productivité et des tendances du stock de morue charbonnière au cours des dernières années concordent avec les précédentes simulations de la stratégie de récolte. Les taux d’exploitation estimés pour les années 2011 à 2015 variaient entre sept scénarios de données (~ 8 à 10 %), mais sont conformes aux taux d’exploitation projetés pour la procédure actuelle de gestion U60-40+seuil dans le cadre de l’ancien modèle opérationnel.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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".