fed5f00f-7b17-4ac2-95d6-f1a73858dac0 eng; CAN utf8; utf8 dataset; jeuDonnées Cathryn Murray Government of Canada; Fisheries and Oceans Canada; Science/Ecosystems and Ocean Science/Ocean Science Division Government of Canada; Fisheries and Oceans Canada; Sciences/Écosystèmes et Sciences océaniques/Division des sciences océaniques Program Manager Gestionnaire de programme 250-363-3001 250-363-3001 Institute of Ocean Sciences 9860 West Saanich Road P.O. Box 6000 Institut des sciences de la mer 9860 chemin West Saanich C.P. 6000 Sidney British Columbia Colombie-Britannique V8L 5T5 Canada Canada (le) cathryn.murray@dfo-mpo.gc.ca cathryn.murray@dfo-mpo.gc.ca https://www.gis-hub.ca/dataset/recreational-vessel-traffic-model-for-british-columbia http pointOfContact; contact 2025-02-05T12:43:52.618Z North American Profile of ISO 19115:2003 - Geographic information - Metadata Profil nord-américain de la norme ISO 19115:2003 - Information géographique - Métadonnées CAN/CGSB-171.100-2009 French; Français Canada; Canada utf8; utf8 EPSG:4326 https://epsg.io Recreational Vessel Traffic Model for British Columbia Modèle de trafic des navires de plaisance pour la Colombie-Britannique 2023-07-07 publication; publication 2023-05-10 creation; création 2024-09-27 revision; révision Norma Serra-Sogas Government of Canada; Fisheries and Oceans Canada; Science/Ecosystems and Ocean Science/Ocean Science Division/ Government of Canada; Fisheries and Oceans Canada; Sciences/Écosystèmes et Sciences océaniques/Division des sciences océaniques Aquatic Biologist Biologiste aquatique 250-818-3220 250-818-3220 Institute of Ocean Sciences 9860 West Saanich Road P.O. Box 6000 Institut des sciences de la mer 9860 chemin West Saanich C.P. 6000 Sidney British Columbia Colombie-Britannique V8L 4B2 Canada Canada (le) normaserra@gmail.com normaserra@gmail.com http originator; auteur Description: Data on recreational boating are needed for marine spatial planning initiatives in British Columbia (BC). Vessel traffic data are typically obtained by analyzing automatic identification system (AIS) vessel tracking data, but recreational vessels are often omitted or underrepresented in AIS data because they are not required to carry AIS tracking devices. Transport Canada’s National Aerial Surveillance Program (NASP) conducted aerial surveys to collect information on recreational vessels along several sections of the BC coast between 2018 and 2022. Recreational vessel sightings were modeled against predictor variables (e.g., distance to shore, water depth, distance to, and density of marinas) to predict the number of recreational vessels along coastal waters of BC. The files included here are: --A Geodatabase (‘Recreational_Boating_Data_Model’), which includes: (1) recreational vessel sightings data collected by NASP in BC and used in the recreational vessel traffic model (‘Recreational_Vessels_PointData_BC’); (2) aerial survey effort (or number of aerial surveys) raster dataset (‘surveyeffort’); and (3) a vector grid dataset (2.5 km resolution) containing the predicted number of recreational vessels per cell and predictor variables (‘Recreational_Boating_Model_Results_BC). --Scripts folder which includes R Markdown file with R code to run the modelling analysis (‘Recreational_Boating_Model_R_Script’) and data used to run the code. Methods: Data on recreational vessels were collected by NASP during planned aerial surveys along pre-determined routes along the BC coast from 2018 to 2022. Data on non-AIS recreational vessels were collected using video cameras onboard the aircraft, and data on AIS recreational vessels using an AIS receiver also onboard the aircraft. Recreational boating predictors explored were: water depth, distance to shore, distance to marinas, density of marinas, latitude, and longitude. Recreational vessel traffic models were fitted using Generalized Linear Models (GLM) R packages and libraries used here include: AED (Roman Lustrik, 2021) and MASS (Venables, W. N., Ripley, 2002), pscl package (Zeileis, Kleiber, and Jackman, 2008) for zeroinfl() and hurdle() function. Final model was selected based on the Akaike’s information criterion (AIC) and the Bayes’ information criterion (BIC). An R Markdown file with code use to run this analysis is included in the data package in a folder called Script. Spatial Predictive Model: The selected model, ZINB, consist of two parts: one with a binomial process that predicts the probability of encountering a recreational vessel, and a second part that predicts the number of recreational vessels via a count model. The closer to shore and to marinas, and the higher the density of marinas, the higher the predicted number of recreational vessels. The probability of encountering recreational vessels is driven by water depth and distance to shore. For more information on methodology, consult metadata pdf available with the Open Data record. References: Serra-Sogas, N. et al. 2021. Using aerial surveys to fill gaps in AIS vessel traffic data to inform threat assessments, vessel management and planning. Marine Policy 133: 104765. https://doi.org/10.1016/j.marpol.2021.104765 Data Sources: Recreational vessel sightings and survey effort: Data collected by NASP and analyzed by Norma Serra to extract vessel information and survey effort (more information on how this data was analyzed see SerraSogas et al, 2021). Bathymetry data for the whole BC coast and only waters within the Canadian EEZ was provided by DFO – Science (Selina Agbayani). The data layer was presented as a raster file of 100 meters resolution. Coastline dataset used to estimate distance to shore and to clip grid was provided by DFO – Science (Selina Agbayani), created by David Williams and Yuriko Hashimoto (DFO – Oceans). Marinas dataset was provided by DFO – Science (Selina Agbayani), created by Josie Iacarella (DFO – Science). This dataset includes large and medium size marinas and fishing lodges. The data can be downloaded from here: Floating Structures in the Pacific Northwest - Open Government Portal (https://open.canada.ca/data/en/dataset/049770ef-6cb3-44ee-afc8-5d77d6200a12) Uncertainties: Model results are based on recreational vessels sighted by NASP and their related predictor variables and not always might reflect real-world vessel distributions. Any biases caused by the opportunistic nature of the NASP surveys were minimized by using survey effort as an offset variable. Description: Des données sur la navigation de plaisance sont nécessaires pour les initiatives de planification spatiale marine en Colombie-Britannique (C.-B.). Les données sur le trafic maritime sont généralement obtenues en analysant les données de suivi des navires du système d'identification automatique (SIA), mais les bâtiments de plaisance sont souvent omis ou sous-représentés dans les données du SIA parce qu'ils ne sont pas tenus de porter des dispositifs de repérage SIA. Le Programme national de surveillance aérienne (PNSA) de Transports Canada a effectué des relevés aériens afin de recueillir des renseignements sur les bateaux de plaisance le long de plusieurs sections de la côte de la Colombie-Britannique entre 2018 et 2022. Les observations de bateaux de plaisance ont été modélisées en fonction de variables prédictives (p. ex. distance jusqu'au rivage, profondeur de l'eau, distance et densité des marinas) pour prédire le nombre de bateaux de plaisance le long des eaux côtières de la Colombie-Britannique. Les dossiers inclus ici sont les suivants : Une géobase de données « Recreational_Boating_Data_Model », qui comprend : (1) les données sur les observations de bateaux de plaisance recueillies par le PNSA en Colombie-Britannique et utilisées dans le modèle de trafic des bateaux de plaisance (« Recreational_Vessels_PointData_BC ») ; (2) un ensemble de données de levé aérien (ou nombre de relevés aériens) (« surveyeffort ») ; et (3) un ensemble de données vectorielles (résolution de 2,5 km) contenant le nombre prévu de bateaux de plaisance par cellule et les variables prédictives (« Recreational_Boating_Model_Results_BC). Dossier de scripts comprenant le fichier R Markdown avec le code R pour exécuter l'analyse de modélisation ('Recreationa_Boating_Model_R_Script') et les données utilisées pour exécuter le code. Méthodes : Les données sur les navires de plaisance ont été recueillies par le PNSA au cours de relevés aériens planifiés le long de trajets prédéterminés sur la côte de la Colombie-Britannique de 2018 à 2022. Les données sur les navires de plaisance non pourvus du SIA ont été recueillies à l’aide de caméras vidéo à bord de l’avion, et les données sur les navires de plaisance pourvus du SIA, à l’aide d’un récepteur du SIA également à bord de l’avion. Les facteurs prédictifs de la navigation de plaisance étudiés étaient la profondeur de l’eau, la distance jusqu’au rivage, la distance et la densité des marinas, la latitude et la longitude. Les modèles de trafic des navires de plaisance ont été adaptés à l’aide de modèles linéaires généralisés (MLG). Les progiciels et bibliothèques R utilisés ici comprennent les suivants : AED (Roman Lustrik 2021) et MASS (Venables et Ripley 2002), progiciel pscl (Zeileis, Kleiber et Jackman 2008) pour les fonctions « zeroinfl() » et « hurdle() ». Le modèle définitif a été choisi en fonction du critère d’information d’Akaike (AIC) et du critère d’information bayésien (BIC). Un fichier R Mardown avec le code utilisé pour l’exécution de cette analyse est inclus dans le jeu de documents dans un dossier appelé Script. Modèle de prévision spatiale : On a choisi le modèle binomial négatif à inflation nulle, qui est composé de deux parties : une première comptant un processus binomial qui prévoit la probabilité de rencontre d’un navire de plaisance et une deuxième prévoyant le nombre de navires de plaisance au moyen d’un modèle de dénombrement. Plus on s’approche du rivage et des marinas, plus la densité des marinas est élevée et plus le nombre prévu de navires de plaisance est élevé. La probabilité de rencontre de navires de plaisance est dictée par la profondeur de l’eau et la distance jusqu’au rivage. Pour en savoir plus sur la méthodologie, consultez le fichier PDF des métadonnées accessible avec le dossier des données ouvertes. Références : Serra-Sogas, N. et al. 2021. Using aerial surveys to fill gaps in AIS vessel traffic data to inform threat assessments, vessel management and planning. Marine Policy 133: 104765. https://doi.org/10.1016/j.marpol.2021.104765 Sources des données : Observations et efforts déployés pour réaliser des relevés de navires de plaisance : Données recueillies par le PNSA et analysées par Norma Serra aux fins d’obtention d’information sur les navires et de déploiement d’efforts pour l’exécution de relevés (pour plus de renseignements sur la façon dont ces données ont été analysées, consulter SerraSogas et al. 2021). Les données du système de bathymétrie pour toute la côte de la Colombie-Britannique et uniquement les eaux de la ZEE canadienne ont été fournies par le MPO – Sciences (Selina Agbayani). La couche de données a été présentée sous forme de fichier de données ligne par ligne d’une résolution de 100 mètres. Le jeu de données sur le littoral utilisé pour l’estimation de la distance jusqu’au rivage et la découpe d’une grille a été fourni par le MPO – Sciences (Selina Agbayani), créé par David Williams et Yuriko Hashimoto (MPO – Océans). Le jeu de données sur les marinas a été fourni par le MPO – Sciences (Selina Agbayani), créé par Josie Iacarella (MPO – Sciences). Ce jeu de données comprend des marinas de grande et moyenne taille ainsi que des camps de pêche. Les données peuvent être téléchargées ici : Structures flottantes dans les eaux du nord-ouest de l’Amérique du Nord – Portail du gouvernement ouvert (https://open.canada.ca/data/fr/dataset/049770ef-6cb3-44ee-afc8-5d77d6200a12). Incertitudes Les résultats du modèle sont basés sur les navires de plaisance observés dans le cadre du PNSA et des variables connexes servant de facteurs prédictifs, et ne reflètent pas toujours la répartition réelle des navires. Tous les biais découlant de la nature opportuniste des relevés effectués dans le cadre du PNSA ont été réduits au minimum en utilisant les efforts visant à réaliser des relevés comme variable de décalage. completed; complété asNeeded; auBesoin https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/Traffic_model_thumbnail.JPG Traffic_model_thumbnail Traffic_model_thumbnail British Columbia Colombie-Britannique place; endroit recreational boating navigation de plaisance marine marine model output résultats du modèle theme; thème Vessels Embarcation Outdoor recreation Loisir de plein air theme; thème Government of Canada Core Subject Thesaurus Thésaurus des sujets de base du gouvernement du Canada 2004 publication; publication 2016-07-04 creation;création geonetwork.thesaurus.external.theme.GC_Core_Subject Government of Canada; Library and Archives Canada Gouvernement du Canada; Bibliothèque et Archives Canada custodian; conservateur unclassified; nonClassifié Open Government Licence - Canada (http://open.canada.ca/en/open-government-licence-canada) Licence du gouvernement ouvert - Canada (http://ouvert.canada.ca/fr/licence-du-gouvernement-ouvert-canada) license; licence license; licence vector; vecteur eng; CAN utf8; utf8 oceans 2015-01-06 2022-08-31 -133.9139 -121.2121 48.045 55.9076 RECREATIONAL VESSEL TRAFFIC DATA Data on recreational vessels were collected by NASP during planned aerial surveys along pre-determined routes along the BC coast from 2018 to 2022. Data on non-AIS recreational vessels were collected using video cameras onboard the aircraft, and data on AIS recreational vessels using an AIS receiver also onboard the aircraft. Recreational vessels were classified as pleasure crafts or sailboats. The date (day, month and year), class (AIS or non-AIS) and region were vessels were sighted are included as attributes for each sighting. We included a data layer depicting the spatial distribution of NASP surveys because it is needed to adequately understand the distribution of the recreational boating sighting data in BC. Aerial surveys, although they were conducted in a systematic matter, they were not homogenously distributed across the study area with some regions receiving more surveys than others. Survey effort was estimated by first converting flightpath from XML files to a polyline using scripts written in Python. The portion of the flightpath representing the survey was determined using the position of the aircraft at the beginning and at the end of the survey and available in the video analyzed. For surveys conducted outside the Salish Sea, the swath width reported by NASP crew on the survey form was used to build a buffer around the survey portion of the flightpath. The NASP estimation of the swath width was based mainly on the width of the channels they surveyed. For example, for surveys within the Douglas Channel, NASP estimated swath widths to be 5 km, which is the actual width of the channel. For surveys conducted in the Salish Sea, the swath width used was estimated based on distance sampling methodology and explained in Serra-Sogas, et al, 2021. For other surveys, the swath was based on the width of channels or narrow passages where surveys took place. Buffered survey tracks were converted to raster (1 km resolution) and combined using Cell Statistics tool in ArcMap. The field “SURVEYCOUNT” or “VALUE” contains the sum of surveys per cell. MODEL VARIABLES All model variables were compiled using a 2.5 km cell vector grid occupying only BC Territorial waters (extending 12 nautical miles seaward of the UNCLOS baseline). The number of recreational vessels per cell and mean survey effort were extracted per cell. Recreational boating predictors explored were: water depth, distance to shore, distance to marinas, density of marinas, latitude, and longitude. Scatterplots were used to explore relationships between predictors and response variables to determine if a relationship exists between predictor a response variables and to assess presence of nonlinearity (Zuur et al., 2010). A correlation coefficients with and p-values were estimate using the Hmisc package in R (Jr, 2021), and the corrplot package (Taiyun Wei, 2017) in R (R Development Core Team, 2020) to display the results. Also, variance-inflation factors (VIF) were estimated to measure the impact of collinearity among variables in the regression model; that is, the effect of incorporating redundant information and inflating the error term. High values of recreational vessel counts were identified via boxplots. Cells with more than 10 recreational vessels counts were identified as outliers and removed before modelling analysis. NASP survey effort was included as an offset variable. Because the effort employed to sight recreational vessels was not homogeneous across the study area, recreational vessel counts had to be standardized and interpreted as a rate of occurrence or number of recreational vessels per unit of effort. Rates can be analyzed as count data in regression models by moving the denominator (i.e., unit of effort) to the right-hand side of the regression model as log(effort) with a fixed coefficient equal to one (Agresti, 2003; McCullagh, 2019). Including NASP survey effort as an offset variable also meant that we assume that the likelihood of detecting a recreational vessel only depends on the presence of the aircraft been in the area if the vessel is in fact in the area, and no other factors such as weather conditions affect the probability of detection. MODEL ANALYSIS Recreational vessel traffic models were fitted using Generalized Linear Models (GLM) with Negative Binomial (NB) and Zero-Inflated Negative Binomial distributions (ZINB) and effort as an offset variable. R packages and libraries used here include: AED (Roman Lustrik, 2021) and MASS (Venables, W. N., Ripley, 2002), pscl package (Zeileis, Kleiber, & Jackman, 2008) for zeroinfl() and hurdle() function. Automated backward elimination approach with likelihood-ratio test (Zuur et al., 2009) was used to select model predictors from the initial list of potential predictor variables. This approach consists of dropping one term in turn and estimating the difference between the deviance of the nested model and the full model. A non-significant χ2 statistic (p > 0.05) indicates that there is no difference between the full and nested model and hence the dropped term can be removed from the model. This procedure was applied to a full NB model and automated using the function drop1() from the AED package in R (Roman Lustrik, 2021). Variables for the ZINB model selected by dropping one variable at a time and models compared using Akaike’s information criterion (AIC) and all coefficients were significant (i.e., p > 0.05). Final model was selected based on the Akaike’s information criterion (AIC) and the Bayes’ information criterion (BIC). Also, recreational vessel counts were plotted against predicted counts to assess each model performance and the ability to discriminate between positive and zero counts. To validate the performance of a selected model, model residuals were plotted against the fitted values and predictor variables. After model selection and calibration, the ZINB was selected to predict the number of recreational vessels present per unit of effort in each cell for the entire study area (i.e., BC’s Territorial Sea). For this, effort was set to 1. We used the predict() function from the pscl package in R (Zeileis et al., 2008). An R Markdown file with code use to run this analysis is included in the data package in a folder called Script. SPATIAL PREDICTIVE MODEL The selected model, ZINB, consist of two parts: one with a binomial process and that predicts the probability of encountering a recreational vessel, and a second part that predicts the number of recreational vessels via a count model. The closer to shore and to marinas, and the higher the density of marinas, the higher the predicted number of recreational vessels. The probability of encountering recreational vessels is driven by water depth and distance to shore. DONNÉES SUR LE TRAFIC DES NAVIRES DE PLAISANCE Les données sur les bateaux de plaisance ont été recueillies par le PNSA lors de relevés aériens planifiés le long de routes prédéterminées le long de la côte de la Colombie-Britannique de 2018 à 2022. Les données sur les bâtiments de plaisance autres que le SIA ont été recueillies à l'aide de caméras vidéo à bord de l'aéronef, et des données sur les navires de plaisance SIA utilisant un récepteur AIS également à bord de l'aéronef. Les bateaux de plaisance étaient classés comme des embarcations de plaisance ou des voiliers. La date (jour, mois et année), la classe (AIS ou non-EAE) et la région où les navires ont été aperçus sont incluses comme attributs pour chaque observation. Nous avons inclus une couche de données illustrant la répartition spatiale des relevés du PNSA, car elle est nécessaire pour bien comprendre la répartition des données d'observation de la navigation de plaisance en Colombie-Britannique. Les relevés aériens, bien qu'ils aient été effectués de façon systématique, n'ont pas été répartis de façon homogène dans l'ensemble de la zone d'étude, certaines régions ayant reçu plus de relevés que d'autres. L'effort de relevé a été estimé en convertissant d'abord le chemin de vol des fichiers XML en une polyligne à l'aide de scripts écrits en Python. La partie de la trajectoire de vol représentant le levé a été déterminée en utilisant la position de l'aéronef au début et à la fin du levé et disponible dans la vidéo analysée. Pour les relevés effectués à l'extérieur de la mer des Salish, la largeur de bande indiquée par l'équipe du PNSA sur le formulaire de relevé a été utilisée pour construire une zone tampon autour de la portion de relevé de la trajectoire de vol. L'estimation de la largeur de la bande par le PNSA était fondée principalement sur la largeur des chenaux qu'ils ont étudiés. Par exemple, dans le cas des relevés effectués dans le chenal Douglas, le PNSA a estimé la largeur des bandes à 5 km, ce qui correspond à la largeur réelle du chenal. Pour les relevés effectués dans la mer des Salish, la largeur de la bande utilisée a été estimée en fonction de la méthode d'échantillonnage à distance et expliquée dans Serra-Sogas, et al., 2021. Dans le cas d'autres relevés, la bande était fondée sur la largeur des chenaux ou des passages étroits où les relevés ont eu lieu. Les pistes de relevé tamponnées ont été converties en matrices (résolution de 1 km) et combinées à l'aide de l'outil de statistiques cellulaires d'ArcMap. Le champ « COMPTE D'ÉVALUES » ou « VALEUR » contient la somme des sondages par cellule. VARIABLES DU MODÈLE Toutes les variables du modèle ont été compilées à l'aide d'une grille de vecteurs cellulaires de 2,5 km n'occupant que les eaux territoriales de la Colombie-Britannique (s'étendant sur 12 milles marins en amont de la ligne de référence de l'UNCLOS). Le nombre de bateaux de plaisance par cellule et l'effort moyen de relevé ont été extraits par cellule. Les prédicteurs de la navigation de plaisance étudiés étaient les suivants : profondeur de l'eau, distance par rapport au rivage, distance par rapport aux marinas, densité des marinas, latitude et longitude. Des parcelles de dispersion ont été utilisées pour explorer les relations entre les prédicteurs et les variables de réponse afin de déterminer s'il existe une relation entre les variables prédictrices a de la réponse et d'évaluer la présence d'une non-linéarité (Zuur et coll., 2010). Les coefficients de corrélation avec les valeurs p et les valeurs p ont été estimés à l'aide du package Hmisc en R (Jr, 2021) et du package de corrplot (Taiyun Wei, 2017) dans R (R Development Core Team, 2020) pour afficher les résultats. De plus, des facteurs de variance-inflation (CIV) ont été estimés pour mesurer l'impact de la colinéarité entre les variables du modèle de régression, c'est-à-dire l'effet de l'intégration de renseignements redondants et de l'inflation du terme d'erreur. Des valeurs élevées de dénombrement des bateaux de plaisance ont été relevées au moyen de parcelles à boîtes. Les cellules comptant plus de 10 dénombrements de bateaux de plaisance ont été identifiées comme des valeurs aberrantes et retirées avant l'analyse de modélisation. L'effort de relevé du PNSA a été inclus comme variable de compensation. Comme l'effort déployé pour voir les bateaux de plaisance n'était pas homogène dans toute la zone d'étude, les dénombrements des bateaux de plaisance devaient être normalisés et interprétés comme un taux d'occurrence ou un nombre de bateaux de plaisance par unité d'effort. Les taux peuvent être analysés en tant que données de dénombrement dans les modèles de régression en déplaçant le dénominateur (c.-à-d. l'unité d'effort) vers la droite du modèle de régression sous forme de log (effort) avec un coefficient fixe égal à un (Agresti, 2003 ; McCullagh, 2019). L'inclusion de l'effort de levé du PNSA comme variable de compensation signifie également que nous présumons que la probabilité de détecter un bâtiment de plaisance dépend uniquement de la présence de l'aéronef dans la zone si le navire se trouve effectivement dans la zone, et qu'aucun autre facteur, comme les conditions météorologiques, n'influe sur la probabilité de détection. L'ANALYSE DU MODÈLE Les modèles de trafic des bateaux de plaisance ont été ajustés à l'aide de modèles linéaires généralisés (GLM) avec des distributions binomiales négatives (N.-B.) et des distributions binomiales négatives (ZINB) et de l'effort comme variable de compensation. Les paquets R et les bibliothèques utilisés ici comprennent : AED (Roman Lustrik, 2021) et MASS (Venables, W. N., Ripley, 2002), paquet pscl (Zeileis, Kleiber et Jackman, 2008) pour la fonction zéroinfl () et hurdle (). Une approche automatisée d'élimination rétrospective avec test du rapport de probabilité (Zuur et coll., 2009) a été utilisée pour sélectionner les prédicteurs du modèle à partir de la liste initiale des variables prédictives potentielles. Cette approche consiste à laisser tomber un terme à tour de rôle et à estimer la différence entre la déviance du modèle imbriqué et le modèle complet. Une statistique χ2 non significative (p > 0,05) indique qu'il n'y a pas de différence entre le modèle complet et le modèle imbriqué et que, par conséquent, le terme abandonné peut être retiré du modèle. Cette procédure a été appliquée à un modèle NB complet et automatisée à l'aide de la fonction drop1 () du module DEA en R (Roman Lustrik, 2021). Les variables du modèle ZINB choisies en abandonnant une variable à la fois et les modèles comparés à l'aide du critère d'information (CIA) d'Akaike et tous les coefficients étaient significatifs (c.-à-d. p > 0,05). Le modèle final a été choisi en fonction du critère d'information d'Akaike (CIA) et du critère d'information de Bayes' (CIC). De plus, les dénombrements des bateaux de plaisance ont été tracés en fonction des dénombrements prévus afin d'évaluer le rendement de chaque modèle et la capacité de faire la distinction entre les dénombrements positifs et les dénombrements nuls. Pour valider le rendement d'un modèle sélectionné, les valeurs résiduelles du modèle ont été tracées en fonction des valeurs ajustées et des variables prédictives. Après la sélection et l'étalonnage du modèle, le ZINB a été choisi pour prédire le nombre de bateaux de plaisance présents par unité d'effort dans chaque cellule pour l'ensemble de la zone d'étude (c.-à-d. la mer territoriale de la Colombie-Britannique). Pour ce faire, l'effort a été fixé à 1. Nous avons utilisé la fonction de prédiction () du paquet PSCL dans R (Zeileis et coll., 2008). Un fichier R Markdown avec code utilisé pour exécuter cette analyse est inclus dans le package de données dans un dossier appelé Script. MODÈLE PRÉDICTIF SPATIAL Le modèle choisi, ZINB, se compose de deux parties : une avec un processus binomial et qui prédit la probabilité de rencontrer un bateau de plaisance, et une deuxième partie qui prédit le nombre de bateaux de plaisance au moyen d'un modèle de dénombrement. Plus la rive et les marinas sont proches, et plus la densité des marinas est élevée, plus le nombre prévu de bateaux de plaisance est élevé. La probabilité de rencontrer des bateaux de plaisance dépend de la profondeur de l'eau et de la distance par rapport à la rive. FGDB/GDB unknown Cathryn Murray Government of Canada; Fisheries and Oceans Canada; Science/Ecosystems and Ocean Science/Ocean Science Division Government of Canada; Fisheries and Oceans Canada; Sciences/Écosystèmes et Sciences océaniques/Division des sciences océaniques Research Scientist Chercheure scientifique 250-363-3001 250-363-3001 Institute of Ocean Sciences 9860 West Saanich Road P.O. Box 6000 Institut des sciences de la mer 9860 chemin West Saanich C.P. 6000 Sidney British Columbia Colombie-Britannique V8L 5T5 Canada Canada (le) cathryn.murray@dfo-mpo.gc.ca cathryn.murray@dfo-mpo.gc.ca http pointOfContact; contact https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/Recreational_Boating_Data_Model.gdb.zip HTTPS Recreational Vessel Traffic Model for British Columbia Modèle de trafic des navires de plaisance pour la Colombie-Britannique Dataset;FGDB/GDB;eng Données;FGDB/GDB;eng https://egisp.dfo-mpo.gc.ca/arcgis/rest/services/open_data_donnees_ouvertes/recreational_vessel_traffic_model_for_british_columbia/MapServer ESRI REST: Map Server Recreational Vessel Traffic Model for British Columbia Modèle de trafic des bateaux de plaisance pour la Colombie-Britannique Web Service;ESRI REST;eng Service Web;ESRI REST;eng https://egisp.dfo-mpo.gc.ca/arcgis/rest/services/open_data_donnees_ouvertes/recreational_vessel_traffic_model_for_british_columbia/MapServer ESRI REST: Map Server Recreational Vessel Traffic Model for British Columbia Modèle de trafic des navires de plaisance pour la Colombie-Britannique Web Service;ESRI REST;fra Service Web;ESRI REST;fra https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/Data_Dictionary_EN_FR_Traffic_Model.pdf HTTPS Data Dictionary Dictionnaire de données Supporting Document;PDF;eng,fra Document de soutien;PDF;eng,fra https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/Vessel_Model_GISHub_metadata_EN.pdf HTTPS Recreational Vessel Traffic Model for British Columbia -- GIS Hub metadata Modèle de trafic des navires de plaisance pour la Colombie-Britannique -- GISHub metadata Supporting Document;PDF;eng Document de soutien;PDF;eng https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/Vessel_Model_GISHub_metadata_FR.pdf HTTPS Recreational Vessel Traffic Model for British Columbia -- GISHub metadata Modèle de trafic des navires de plaisance pour la Colombie-Britannique -- GISHub metadata Supporting Document;PDF;fra Document de soutien;PDF;fra https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/Model_RecBoat_Variables_grid.csv HTTPS Model RecBoat Variables grid Grille des variables du modèle de bateau de plaisance Dataset;CSV;eng Données;CSV;eng https://api-proxy.edh-cde.dfo-mpo.gc.ca/catalogue/records/fed5f00f-7b17-4ac2-95d6-f1a73858dac0/attachments/TerritorialSea_RecBoat_Variables_Grid.csv HTTPS TerritorialSea RecBoat Variables Grid Grille des variables des bateaux de plaisance de la mer territoriale Dataset;CSV;eng Données;CSV;eng