A spatial–temporal approach to modeling somatic growth across inland recreational fisheries landscapes

We develop a mechanistically motivated von Bertalanffy growth model to estimate growth rate and its predictors from spatial–temporal data and compare this model’s performance with a suite of commonly used mixed-effects growth models. We test these models with simulated data and then apply them to test whether concerns that high density is causing growth suppression of walleye (Sander vitreus) in Alberta, Canada, are supported using data collected during 2000–2017. Simulation experiments demonstrated that models that failed to account for complex dependency structures often resulted in growth rate estimates that were less accurate and biased low as judged by median absolute relative error and median relative error, respectively. The magnitude of this bias depended on the parameter values used for simulation. For the case study, a spatial–temporal model was more parsimonious and had higher predictive performance relative to simpler models and did not support the slow-growing walleye hypothesis in Alberta. These findings demonstrate the importance of considering spatial–temporal correlation in analyses that rely on surveillance-style monitoring datasets, particularly when examining relationships between life-history traits and environmental characteristics.

Nous développons un modèle de croissance de von Bertalanffy à relations mécanistes pour estimer le taux de croissance et ses variables prédictives à partir de données spatiotemporelles et comparons la performance de ce modèle à une série de modèles de croissance à effets mixtes couramment utilisés. Nous mettons ces modèles à l’essai en utilisant des données simulées et les appliquons ensuite pour vérifier si des données recueillies de 2000 à 2017 appuient l’interprétation proposée qu’une forte densité causerait une suppression de la croissance de dorés jaunes (Sander vitreus) en Alberta (Canada). Des expériences de simulation démontrent que les modèles qui ne tiennent pas compte de structures de dépendance complexes produisent souvent des estimations des taux de croissance moins exactes et biaisées vers le bas, comme indiqué par l’erreur relative médiane absolue et l’erreur relative médiane, respectivement. La magnitude de ce biais dépend des valeurs des paramètres utilisées pour la simulation. Pour l’étude de cas, un modèle spatiotemporel s’avère plus parcimonieux et présente une meilleure performance prédictive que les modèles plus simples et n’appuie pas l’hypothèse des dorés à croissance lente en Alberta. Ces résultats démontrent l’importance de tenir compte des corrélations spatiotemporelles dans les analyses qui reposent sur des ensembles de données de type surveillance, en particulier pour l’examen des relations entre des caractères du cycle biologique et des caractéristiques du milieu ambiant. [Traduit par la Rédaction]