Skip to main content

Estimating riverine fish population size from single- and multiple-pass removal sampling using a hierarchical model

Buy Article:

$50.00 plus tax (Refund Policy)


A hierarchical model is described for estimating population size from single- and multiple-pass removal sampling. The model is appropriate for two-stage sampling schemes, typified by surveys of riverine fish populations, in which multiple sites are surveyed, but a low number of passes are undertaken at each site. The model estimates the average population size within the target area from the raw catch data, and thus allows for differences in the sampling procedure at each site, such as including single-pass sampling. The model also uses the data from all sites to estimate the population size at each individual site. This results in generally improved precision for multiple-pass sites and provides comparable estimates from single-pass sites. A Bayesian approach is described for estimating the parameters of the hierarchical model using sampling importance resampling (SIR). An empirical Bayesian approach, which ignores prior uncertainty but is simpler to implement, is also described. Application of the hierarchical model is illustrated with electrofishing data for 0+ trout (Salmo trutta) in the River Inny, U.K.

On trouvera ici un modèle hiérarchique qui permet d'estimer la taille d'une population à partir d'un échantillonnage par retraits uniques ou répétés. Le modèle est approprié à un plan d'échantillonnage à deux étapes, comme, par exemple, dans les inventaires de poissons de rivière où de nombreux sites sont inventoriés, mais avec un petit nombre d'échantillonages à chaque site. Le modèle estime la taille moyenne de la population dans la zone ciblée à partir des données brutes de capture et ainsi s'accommode de différences de stratégie d'échantillonnage d'un site à l'autre et peut, en particulier, inclure les données d'un échantillonnage unique. Le modèle utilise aussi les données recueillies à tous les sites pour estimer la taille de la population à chacun des sites. Il en résulte généralement une précision accrue pour les sites échantillonnés à plusieurs reprises et une précision comparable pour les sites échantillonnés une seule fois. Une approche bayésienne, décrite ici, permet d'estimer les paramètres du modèle hiérarchique à l'aide d'un échantillonnage d'importance et d'un rééchantillonnage (modélisation SIR). On trouvera aussi une approche empirique bayésienne qui ignore l'incertitude a priori et qui est plus simple à utiliser. L'étude de données obtenues par pêche électrique sur des truites (Salmo trutta) de l'Inny, au Royaume-Uni, illustre le genre d'application qu'on peut faire du modèle hiérarchique.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: 2002-04-01

More about this publication?
  • Published continuously since 1901 (under various titles), this monthly journal is the primary publishing vehicle for the multidisciplinary field of aquatic sciences. It publishes perspectives (syntheses, critiques, and re-evaluations), discussions (comments and replies), articles, and rapid communications, relating to current research on cells, organisms, populations, ecosystems, or processes that affect aquatic systems. The journal seeks to amplify, modify, question, or redirect accumulated knowledge in the field of fisheries and aquatic science. Occasional supplements are dedicated to single topics or to proceedings of international symposia.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites
  • Access Key
  • Free content
  • Partial Free content
  • New content
  • Open access content
  • Partial Open access content
  • Subscribed content
  • Partial Subscribed content
  • Free trial content
Cookie Policy
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more