MétaCan
Menu
Retour à la cohorte
Enregistrement W2020871935 · doi:10.1080/03632415.2011.589334

Potential Impact of the <i>Deepwater Horizon</i> Oil Spill on Commercial Fisheries in the Gulf of Mexico

2011· article· en· W2020871935 sur OpenAlexaff
Ashley McCrea-Strub, Kristin M. Kleisner, U. Rashid Sumaila, Wilf Swartz, Reg Watson, Dirk Zeller, Daniel Pauly

Notice bibliographique

RevueFisheries · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Oceanic and Atmospheric Administration
Mots-clésFisheryDeepwater horizonOil spillOysterMarine fisheriesEnvironmental scienceMarine ecosystemEcosystemGeographyFishingEnvironmental protectionEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Given the economic and social importance of fisheries in the Gulf of Mexico large marine ecosystem (LME), it is imperative to quantify the potential impacts of the Deepwater Horizon oil spill. To provide a preliminary perspective of the consequences of this disaster, spatial databases of annual reported commercial catch and landed value prior to the spill were investigated relative to the location of the fisheries closures during July 2010. Recent trends illustrated by this study suggest that more than 20% of the average annual U.S. commercial catch in the Gulf has been affected by postspill fisheries closures, indicating a potential minimum loss in annual landed value of US$247 million. Lucrative shrimp, blue crab, menhaden, and oyster fisheries may be at greatest risk of economic losses. Overall, it is evident that the oil spill has impacted a highly productive area of crucial economic significance within the Gulf of Mexico LME. This study draws attention to the need for ongoing and thorough investigations into the economic impacts of the oil spill on Gulf fisheries.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,130
Score d'incertitude au seuil0,258

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,023
Tête enseignante GPT0,237
Écart entre enseignants0,214 · 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

Citations84
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFisheriesMême sujetMarine and fisheries researchTravaux en français237 207