Hierarchical Bayesian modelling with habitat and time covariates for estimating riverine fish population size by successive removal method

• Published in: Canadian Journal of Fisheries and Aquatic Sciences
• Main Authors: Rivot, Etienne, Prévost, Etienne, Cuzol, Anne, Baglinière, Jean-Luc, J.-L., Parent, Éric
• Other Authors: Écologie et santé des écosystèmes (ESE), Institut National de la Recherche Agronomique (INRA)-AGROCAMPUS OUEST, Ecologie Comportementale et Biologie des Populations de Poissons (ECOBIOP), Institut National de la Recherche Agronomique (INRA)-Université de Pau et des Pays de l'Adour (UPPA), Laboratoire de Statistiques Appliquées de Bretagne Sud, Université de Bretagne Sud (UBS), Mathématiques et Informatique Appliquées (MIA-Paris), Institut National de la Recherche Agronomique (INRA)-AgroParisTech
• Format: Article in Journal/Newspaper
• Language: English
• Published: HAL CCSD 2008
• Subjects: MODELISATION BAYESIEN HIERARCHIQUE; HBM; [SDV.SA]Life Sciences [q-bio]/Agricultural sciences; Atlantic salmon; Salmo salar
• Online Access: https://hal.science/hal-01197511; https://doi.org/10.1139/F07-153

International audience We present a hierarchical Bayesian modelling (HBM) framework for estimating riverine fish population size from successive removal data via electrofishing. It is applied to the estimation of the population of Atlantic salmon (Salmo salar) juveniles in the Oir River (France). The data set consists of 10 sampling sites sampled by one or two removals over a period of 20 years (1986–2005). We develop and contrast four models to assess the effect of temporal variations and habitat type on the density of fish and the probability of capture. The Bayes factor and the deviance information criterion are used to compare these models. The most credible and parsimonious model is the one that accounts for the effects of the years and the habitat type on the density of fish. It is used to extrapolate the population size in the entire river reach. This paper illustrates that HBM successfully accommodates large but sparse data sets containing poorly informative data for some units. Its conditional structure enables it to borrow strength from data-rich to data-poor units, thus improving the estimations. Predictions of the population size of the entire river reach can be derived, while accounting for all sources of uncertainty. Nous proposons un cadre de modélisation bayésien hiérarchique (HBM) pour estimer l’abondance d’une population de juvéniles de saumon atlantique (Salmo salar) dans la rivière Oir (France) par la méthode des retraits successifs par pêche électrique. Le jeu de données est composé de 10 sites d’échantillonnage, chacun ayant été échantillonné par un ou deux passages sur une période de 20 ans (1986–2005). Quatre modèles sont développés pour introduire les variations inter-annuelles et les effets du type d’habitat sur la densité et sur la probabilité de capture. Ces modèles sont comparés à l’aide du facteur de Bayes et d’un critère d’information basé sur la déviance. Le modèle retenu est celui qui prend en compte l’effet de l’année et du type d’habitat sur la densité de juvéniles de ...