Zoeken
Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.
Boekenmand
Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).
RSS
Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.
nieuwe zoekopdracht
Comparing predictions of fisheries bycatch using multiple spatiotemporal species distribution model frameworks
Stock, B.C.; Ward, E.J.; Eguchi, T.; Jannot, J.; Thorson, J.T.; Feist, B.E.; Semmens, B.X. (2020). Comparing predictions of fisheries bycatch using multiple spatiotemporal species distribution model frameworks. Can. J. Fish. Aquat. Sci. 77(1): 146-163. https://dx.doi.org/10.1139/cjfas-2018-0281
In: Canadian Journal of Fisheries and Aquatic Sciences = Journal canadien des sciences halieutiques et aquatiques. National Research Council Canada: Ottawa. ISSN 0706-652X; e-ISSN 1205-7533
|  |
| Auteurs | | Top |
- Stock, B.C.
- Ward, E.J.
- Eguchi, T.
- Jannot, J.
|
- Thorson, J.T.
- Feist, B.E.
- Semmens, B.X.
|
|
| Abstract |
Spatiotemporal predictions of bycatch (i.e. catch of non-targeted species) have shown promise as dynamic ocean management tools for reducing bycatch. However, which spatiotemporal model framework to use for generating these predictions is unclear. We evaluated a relatively new method, Gaussian Markov random fields (GMRFs), with two other frameworks, generalized additive models (GAMs) and random forests. We fit geostatistical delta-models to fisheries observer bycatch data for six species with a broad range of movement patterns (e.g. highly migratory sea turtles vs. sedentary rockfish) and bycatch rates (percent of observations with non-zero catch, 0.3-96.2%). Random forests had better interpolation performance than the GMRF and GAM models for all six species, but random forests performance was more sensitive when predicting data at the edge of the fishery (i.e. spatial extrapolation). Using random forests to identify and remove the 5% highest bycatch risk fishing events reduced the bycatch-to-target species catch ratio by 34% on average. All models considerably reduced the bycatch-to-target ratio, demonstrating the clear potential of species distribution models to support spatial fishery management. |
IMIS is ontwikkeld en wordt gehost door het VLIZ.
