MétaCan
Menu
Retour à la cohorte
Enregistrement W1998816548 · doi:10.1139/f05-023

Relating plaice (<i>Pleuronectes platessa</i>) recruitment to deteriorating habitat quality: effects of macroalgal blooms in coastal nursery grounds

2005· article· en· W1998816548 sur OpenAlexvenueno aff
Leif Pihl, Johan Modin, Håkan Wennhage

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2005
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensnon disponible
Organismes subventionnairesVetenskapsrådet
Mots-clésPleuronectesFisheryEutrophicationAlgaeHabitatPopulationBiologyEcologyEnvironmental scienceOceanographyNutrientFish <Actinopterygii>

Résumé

récupéré en direct d'OpenAlex

Concentration of juveniles of marine fishes in nurseries may act as a bottleneck during the life cycle, where quantity and quality of nurseries determine population size. Macroalgal blooms have become a common phenomenon in eutrophic shallow waters worldwide, and matforming algae may now cover many essential nursery habitats. In this investigation, the aim was to assess the quantitative effect of algal mats on the recruitment of plaice (Pleuronectes platessa) from nurseries in the Swedish Skagerrak archipelago. A model was constructed using data on nursery size, settling density, and mortality of plaice combined with data on algal distribution. Recruitment of 0-group plaice from nurseries could be reduced by 30%–40% due to algae. The largest negative effect occurred during high settlement, reducing the important influence of strong year classes on stock size. The model predicted a reduction of juveniles due to algae of 45–46 × 106 individuals at high settlement. This amounts to 68% of the output at medium settlement and equals the amount of plaice produced during 5 years of low settlement. Up to 75% of the total reduction could occur in one quarter of the study area. With limiting resources, management actions should not be generally applied but rather be concentrated to optimize the cost-benefit of measures taken.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,076

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,277
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic SciencesMême sujetMarine and fisheries researchTravaux en français237 207