Satellite remote sensing for an ecosystem approach to fisheries management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Chassot, E., Bonhommeau, S., Reygondeau, G., Nieto, K., Polovina, J. J., Huret, M., Dulvy, N. K., and Demarcq, H. 2011. Satellite remote sensing for an ecosystem approach to fisheries management. – ICES Journal of Marine Science, 68: 651–666. Satellite remote sensing (SRS) of the marine environment has become instrumental in ecology for environmental monitoring and impact assessment, and it is a promising tool for conservation issues. In the context of an ecosystem approach to fisheries management (EAFM), global, daily, systematic, high-resolution images obtained from satellites provide a good data source for incorporating habitat considerations into marine fish population dynamics. An overview of the most common SRS datasets available to fishery scientists and state-of-the-art data-processing methods is presented, focusing on recently developed techniques for detecting mesoscale features such as eddies, fronts, filaments, and river plumes of major importance in productivity enhancement and associated fish aggregation. A comprehensive review of remotely sensed data applications in fisheries over the past three decades for investigating the relationships between oceanographic conditions and marine resources is provided, emphasizing how synoptic and information-rich SRS data have become instrumental in ecological analyses at community and ecosystem scales. Finally, SRS data, in conjunction with automated in situ data-acquisition systems, can provide the scientific community with a major source of information for ecosystem modelling, a key tool for implementing an EAFM.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle