Unintended Cultivation, Shifting Baselines, and Conflict between Objectives for Fisheries and Conservation
Notice bibliographique
Résumé
The effects of fisheries on marine ecosystems, and their capacity to drive shifts in ecosystem states, have been widely documented. Less well appreciated is that some commercially valuable species respond positively to fishing-induced ecosystem change and can become important fisheries resources in modified ecosystems. Thus, the ecological effects of one fishery can unintentionally increase the abundance and productivity of other fished species (i.e., cultivate). We reviewed examples of this effect in the peer-reviewed literature. We found 2 underlying ecosystem drivers of the effect: trophic release of prey species when predators are overfished and habitat change. Key ecological, social, and economic conditions required for one fishery to unintentionally cultivate another include strong top-down control of prey by predators, the value of the new fishery, and the capacity of fishers to adapt to a new fishery. These unintended cultivation effects imply strong trade-offs between short-term fishery success and conservation efforts to restore ecosystems toward baseline conditions because goals for fisheries and conservation may be incompatible. Conflicts are likely to be exacerbated if fisheries baselines shift relative to conservation baselines and there is investment in the new fishery. However, in the long-term, restoration toward ecosystem baselines may often benefit both fishery and conservation goals. Unintended cultivation can be identified and predicted using a combination of time-series data, dietary studies, models of food webs, and socioeconomic data. Identifying unintended cultivation is necessary for management to set compatible goals for fisheries and conservation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».