Fuel consumption of global fishing fleets: current understanding and knowledge gaps
Notice bibliographique
Résumé
Abstract Compared to a century ago, the world's fishing fleets are larger and more powerful, are travelling further and are producing higher quality products. These developments come largely at a cost of high‐fossil fuel energy inputs. Rising energy prices, climate change and consumer demand for ‘green’ products have placed energy use and emissions among the sustainability criteria of food production systems. We have compiled all available published and unpublished fuel use data for fisheries targeting all species, employing all gears and fishing in all regions of the world into a Fisheries and Energy Use Database ( FEUD ). Here, we present results of our analysis of the relative energy performance of fisheries since 1990 and provide an overview of the current state of knowledge on fuel inputs to diverse fishing fleets. The median fuel use intensity of global fishery records since 1990 is 639 litres per tonne. Fuel inputs to fisheries vary by several orders of magnitude, with small pelagic fisheries ranking among the world's most efficient forms of animal protein production and crustaceans ranking among the least efficient. Trends in Europe and Australia since the beginning of the 21st century suggest fuel use efficiency is improving, although this has been countered by a more rapid increase in oil prices. Management decisions, technological improvements and behavioural changes can further reduce fuel consumption in the short term, although the most effective improvement to fisheries energy performance will come as a result of rebuilding stocks where they are depressed and reducing over‐capacity.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».