Mapping the abundance of riverine fish populations: integrating hierarchical Bayesian models with a geographic information system (GIS)

$50.00 plus tax (Refund Policy)

Buy Article:

Abstract:

A hierarchical Bayesian model is described for mapping the abundance of fish throughout a watershed from single- and multiple-pass removal sampling. A geographic information system (GIS) was used to generate a raster-based model of the river network, which provided three benefits for estimating fish density. Firstly, the horizontal resolution of the raster (50 m) provided an approximation to the statistical sampling frame and allowed correction for the finite number of potential sampling sites in a reach. Secondly, the modelled river network generated explanatory variables for every site in the network, facilitating the mapping of predicted densities and providing the basis for stratified or regression estimators for reach-specific densities. Finally, the spatial autocorrelation of fish densities was modelled in terms of the distance along the river network. A similar Bayesian model was also developed for the wetted width of the river network, and this was combined with the density model to provide estimates of the total stock size. The model was implemented using Markov chain Monte Carlo simulation in the statistical package WinBUGS. Application of the hierarchical model is illustrated with electrofishing data for age-1+ sea trout (Salmo trutta) in a small tributary of the River Conwy, Wales.

On trouvera ici un modèle hiérarchique bayésien qui sert à cartographier l'abondance des poissons dans un bassin versant à partir d'échantillonnages par retraits simples ou répétés. L'utilisation d'un système d'information géographique (GIS) permet de produire un modèle en trame du système hydrographique, qui présente trois avantages pour l'estimation de la densité des poissons. D'abord, la résolution horizontale de la trame (50 m) représente une approximation du plan statistique d'échantillonnage et permet de tenir compte du nombre fini de points potentiels d'échantillonnage dans une section. De plus, le modèle du réseau hydrographique génère des variables explicatives pour chaque point du réseau, ce qui facilite la cartographie des densités prédites et fournit une base pour les estimateurs stratifiés ou les estimateurs de régression des densités spécifiques aux sections. Enfin, l'autocorrélation spatiale des densités de poissons peut être modélisée en fonction de la distance le long du réseau hydrographique. Un modèle bayésien simple a aussi été mis au point pour estimer la largeur mouillée du réseau hydrographique; combiné au modèle de densité, il génère des estimations de la taille du stock total. Le modèle a été mis en opération en utilisant des simulations de Monte Carlo à l'aide de chaînes de Markov avec le logiciel statistique WinBUGS. Des données de pêche électrique de truites de mer (Samo trutta) de 1+ année d'un petit tributaire de la rivière Conwy, au Pays de Galles, servent à illustrer l'application du modèle hiérarchique.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: August 1, 2003

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
  • ingentaconnect is not responsible for the content or availability of external websites
Related content

Tools

Favourites

Share Content

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
X
Cookie Policy
ingentaconnect 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