Fisheries impact on the South China Sea large marine ecosystem: a preliminary analysis using spatially-explicit methodology
Notice bibliographique
Résumé
A multiple regression model is derived, based on biomass estimates in 16 massbalance food web (Ecopath) models, which explains 68 % of the variation in the data at hand, and shows that the abundance of fish with trophic levels of 3.0 or more in the South China Sea area had declined, by 2000, to less than half its value in 1960. This is worrisome, as this generalizes to the entire region declining trends observed in local areas within the South China Sea. Moreover this estimate is almost surely too conservative, given the method we used. This declining trend is compatible however with the fishing ædown marine food websÆ, reported from well studied parts of the South China Sea, notably the Gulf of Thailand, where the mean trophic levels of landings have declined, indicating gradual replacement in the underlying ecosystems of large, long lived, high-trophic level fishes by small, short-lived, low trophic level species often described as ætrashfishÆ. The only exception to these trends is Brunei, whose offshore oilrigs have led to regulations precluding trawling across much of the shelf, thus in effect creating a marine reserve. We conclude by pointing out that marine reserves are indeed one approach that will have to be used if the present declining trends are to be reversed, along with a rollback of excessive fishing effort.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».