Is fisheries production within <scp>L</scp>arge <scp>M</scp>arine <scp>E</scp>cosystems determined by bottom‐up or top‐down forcing?
Notice bibliographique
Résumé
Abstract Understanding the mechanisms driving fisheries production is essential if we are to accurately predict changes under climate change and exploit fish stocks in a sustainable manner. Traditionally, studies have sought to distinguish between the two most prominent drivers, ‘bottom‐up’ (resource driven) and ‘top‐down’ (consumer driven); however, this dichotomy is increasingly proving to be artificial as the relative importance of each mechanism has been shown to vary through space and time. Nevertheless, the reason why one predominates over another within a region remains largely unknown. To address this gap in understanding, we identified the dominant driver of commercial landings within 47 ecosystems, encompassing a wide range of biogeochemical conditions and fishing practices to elucidate general patterns. We show that bottom‐up and top‐down effects vary consistently with past fishing pressure and oceanographic conditions; bottom‐up control predominates within productive, overfished regions and top‐down in relatively unproductive and under‐exploited areas. We attribute these findings to differences in the species composition and oceanographic properties of regions, together with variation in fishing practices and (indicative) management effectiveness. Collectively, our analyses suggest that despite the complexity of ecological systems, it is possible to elucidate a number of generalities. Such knowledge could be used to increase the parsimony of ecosystem models and to move a step forward in predicting how the global ocean, particularly fisheries productivity, will respond to climate change.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».