Large‐scale redistribution of maximum fisheries catch potential in the global ocean under climate change
Notice bibliographique
Résumé
Abstract Previous projection of climate change impacts on global food supply focuses solely on production from terrestrial biomes, ignoring the large contribution of animal protein from marine capture fisheries. Here, we project changes in global catch potential for 1066 species of exploited marine fish and invertebrates from 2005 to 2055 under climate change scenarios. We show that climate change may lead to large‐scale redistribution of global catch potential, with an average of 30–70% increase in high‐latitude regions and a drop of up to 40% in the tropics. Moreover, maximum catch potential declines considerably in the southward margins of semienclosed seas while it increases in poleward tips of continental shelf margins. Such changes are most apparent in the Pacific Ocean. Among the 20 most important fishing Exclusive Economic Zone (EEZ) regions in terms of their total landings, EEZ regions with the highest increase in catch potential by 2055 include Norway, Greenland, the United States (Alaska) and Russia (Asia). On the contrary, EEZ regions with the biggest loss in maximum catch potential include Indonesia, the United States (excluding Alaska and Hawaii), Chile and China. Many highly impacted regions, particularly those in the tropics, are socioeconomically vulnerable to these changes. Thus, our results indicate the need to develop adaptation policy that could minimize climate change impacts through fisheries. The study also provides information that may be useful to evaluate fisheries management options under 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».