Using Grizzly Bears to Assess Harvest-Ecosystem Tradeoffs in Salmon Fisheries
Notice bibliographique
Résumé
Implementation of ecosystem-based fisheries management (EBFM) requires a clear conceptual and quantitative framework for assessing how different harvest options can modify benefits to ecosystem and human beneficiaries. We address this social-ecological need for Pacific salmon fisheries, which are economically valuable but intercept much of the annual pulse of nutrient subsidies that salmon provide to terrestrial and aquatic food webs. We used grizzly bears, vectors of salmon nutrients and animals with densities strongly coupled to salmon abundance, as surrogates for "salmon ecosystem" function. Combining salmon biomass and stock-recruitment data with stable isotope analysis, we assess potential tradeoffs between fishery yields and bear population densities for six sockeye salmon stocks in Bristol Bay, Alaska, and British Columbia (BC), Canada. For the coastal stocks, we find that both bear densities and fishery yields would increase substantially if ecosystem allocations of salmon increase from currently applied lower to upper goals and beyond. This aligning of benefits comes at a potential cost, however, with the possibility of forgoing harvests in low productivity years. In contrast, we detect acute tradeoffs between bear densities and fishery yields in interior stocks within the Fraser River, BC, where biomass from other salmon species is low. There, increasing salmon allocations to ecosystems would benefit threatened bear populations at the cost of reduced long-term yields. To resolve this conflict, we propose an EBFM goal that values fisheries and bears (and by extension, the ecosystem) equally. At such targets, ecosystem benefits are unexpectedly large compared with losses in fishery yields. To explore other management options, we generate tradeoff curves that provide stock-specific accounting of the expected loss to fishers and gain to bears as more salmon escape the fishery. Our approach, modified to suit multiple scenarios, provides a generalizable method to resolve conflicts over shared resources in other systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».