MétaCan
Menu
← Back to cohort
Record W7133283604

Évaluation des stocks de sébaste à longue mâchoire (Sebastes alutus) de la Colombie-Britannique en 2023

2025· other· fr· W7133283604 on OpenAlexaboutno aff
Paul J. Starr, Rowan Haigh

Bibliographic record

VenueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada · 2025
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsPopulationStatistical analysisHunter-gatherer
DOInot available

Abstract

fetched live from OpenAlex

Le sébaste à longue mâchoire (Sebastes alutus) est présent d’Honshu au Japon à la Basse-Californie, au Mexique. En Colombie-Britannique (C.-B.), l’occurrence du sébaste à longue mâchoire est presque continue, avec des ruptures apparentes dans la partie supérieure du détroit d’Hécate (probablement trop peu profonde) et au large de la côte sud-ouest de Haida Gwaii (terrain escarpé ne convenant pas au chalutage). Des points névralgiques (densité élevée de captures par unité d’effort [CPUE]) sont observés dans le goulet de l’île Moresby, aux environs de l’île Anthony, au large de la baie Rennell, au large de la côte nord-ouest de Haida Gwaii et à l’entrée Dixon près de l’île Langara. La présente évaluation des stocks a permis d’évaluer une population de la côte de la Colombie Britannique composée de trois sous-zones, chacune ayant des pêches distinctes, dans 5ABC (détroit de la Reine-Charlotte), 3CD (côte ouest de l’île de Vancouver) et 5DE (côte ouest de Haida Gwaii). Les pêches étaient dominées par les engins de pêche au chalut (>99 %), avec des prélèvements mineurs par d’autres types d’engins (p. ex., palangre). Les prises de sébaste à longue mâchoire au chalut pélagique étaient les plus fréquentes dans la sous-zone 3CD, mais seulement après 2007. L’activité de pêche au chalut pélagique dans la sous-zone 5ABC était modérée à faible, et elle était minime dans la sous-zone 5DE. Pour cette évaluation des stocks, les registres de pêche au chalut de fond et au chalut pélagique ont été combinés. Pour l’évaluation, on a utilisé un modèle des prises annuelles selon l’âge ajusté à six séries de relevés au chalut indépendants de la pêche, aux estimations annuelles des prises commerciales depuis 1935 et aux données sur la composition du stock selon l’âge provenant de relevés (29 années de données tirées de cinq relevés) et de la pêche commerciale (43 années de données provenant de trois pêches). Le modèle a commencé avec un état d’équilibre présumé en 1935. Les données des indices de relevé couvrent la période de 1967 à 2022, mais ce ne sont pas toutes les années qui sont représentées. Un modèle à deux sexes, qui a estimé M pour chaque sexe et le paramètre h du taux de variation stock-recrutement, a été mis en œuvre dans un cadre bayésien à l’aide de la procédure « No U-Turn Sampling » (NUTS) de Monte Carlo par chaîne de Markov (MCMC). En plus de la mortalité naturelle et du taux de variation, les paramètres estimés par ce modèle comprenaient le recrutement moyen au cours de la période de 1935 à 2014, les paramètres de distribution du recrutement à l’échelle de la côte et la sélectivité pour la flotte commerciale dans la sous-zone 5ABC (partagée avec les sous-zones 3CD et 5DE) et pour les cinq relevés utilisant des données sur la fréquence selon l’âge. Les coefficients d’échelle du relevé (q) ont été déterminés de façon analytique. Des modèles à zone unique supposant trois stocks indépendants ont également été exécutés afin de les comparer aux résultats des sous-zones du modèle de la simulation de référence à zones multiples. Dix analyses de sensibilité primaires, évaluées à l’aide de la méthode MCMC, ont été effectuées par rapport à la simulation de référence afin de mettre à l’essai l’effet des autres hypothèses du modèle. Trois autres simulations de sensibilité ont été effectuées uniquement au niveau du « mode de la distribution a posteriori » parce que les résultats différaient peu de la simulation de référence. La simulation de référence a estimé que la biomasse de la population reproductrice de sébaste à longue au début de 2024 (médiane avec les quantiles 0,05 et 0,95) était de 0,58 (0,42, 0,81) par rapport à B0 et 2,3 (1,4, 3,9) par rapport à la BRMD. Ce dernier résultat porte à croire que la population reproductrice de sébaste à longue mâchoire de 2024 était en bonne position dans la zone saine sur toute la côte et par sous-zone. Les estimations médianes du MCMC des 10 simulations de sensibilité principales pour B2024/B0 variaient de 0,54 à 0,64 et, pour B2023/BRMD, elles variaient de 2,08 à 2,53, ce qui indique que les 10 simulations de sensibilité se situaient bien dans la zone saine. Ces analyses comprenaient : le paramétrage de la pondération des fréquences selon l’âge; des historiques de prises plus élevés et plus faibles avant 1996; des hypothèses d’écart-type de recrutement plus élevé et plus faible (σR); l’omission de l’erreur de détermination de l’âge; et l’utilisation de deux autres vecteurs d’erreur de détermination de l’âge. La plus grande incertitude dans cette évaluation des stocks était la taille relative des trois sous-zones, un problème qui a été démontré en faisant varier le choix de la zone de référence de recrutement dans deux des simulations de sensibilité par rapport à la simulation de référence. Cette incertitude était centrée sur la taille de la sous-zone 3CD, qui variait entre 14 % et 22 % de la biomasse B0 totale au cours des deux simulations de sensibilité et de la simulation de référence. La plus grande sous-zone 5ABC variait entre 52 % et 60 % de la biomasse B0 totale pour les trois mêmes modèles, tandis que la biomasse de la sous-zone 5DE était relativement constante, près de 20 % de la biomasse B0 totale pour les trois simulations. La biomasse totale de B0 était semblable pour les deux simulations de sensibilité et la simulation de référence. Ce résultat implique que, bien que le rendement global de cette population soit raisonnablement bien compris, la sous-zone 3CD devrait être gérée avec prudence en conjonction avec les deux autres sous-zones. L’effet des covariables environnementales n’a pas été modélisé dans cette évaluation des stocks en raison des résultats non concluants obtenus dans les évaluations précédentes des stocks (sébaste à longue mâchoire en 2017, sébaste canari en 2022). Au lieu de cela, on a fait une projection après avoir réduit arbitrairement de 50 % le recrutement moyen afin de représenter le pire scénario de recrutement pour les 10 prochaines années.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.773
Threshold uncertainty score0.451

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0020.002
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0020.000

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.

Opus teacher head0.008
GPT teacher head0.251
Teacher spread0.242 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada→French-language works237,207→