Ecosystem-based fisheries management in the face of climate change
Notice bibliographique
Résumé
INTRODUCTION Climate change can have direct and indirect impacts on marine fisheries (Brander, 2007). Impacts of overfishing and other human factors, such as habitat destruction and pollution, on marine ecosystems and fisheries resources, are generally well known. Overfishing causes large-scale depletion of fish biomass in the ocean and structural changes in ecosystems (Pauly et al ., 1998; Jackson et al ., 2001; Pauly et al ., 2002; Christensen et al ., 2003; Myers and Worm, 2003). Simultaneously, other human activities disturb natural habitats and disrupt the ecology and biodiversity of marine ecosystems (Lotze et al ., 2006; Worm et al ., 2006; Halpern et al ., 2008). In contrast, impacts of global climate change on marine ecosystems are just starting to be recognized, lagging behind such recognition in terrestrial systems (Rosenzweig et al ., 2008). Theory and empirical evidence show that climate change is an important factor affecting marine organisms, ecosystems, and the services they provide (Costanza et al ., 1999; Roessig et al ., 2004; Pörtner and Knust, 2007; Munday et al ., 2008; Rosenzweig et al ., 2008). For example, distributions of exploited marine fish and invertebrates have shifted as temperature and other ocean conditions change. Observations from the North Sea (Perry et al ., 2005) and the Bering Sea (Mueter and Litzow, 2008) show that the average rate of latitudinal range shift has been around 30 km per decade over the last few decades. Fish assemblages in the North Sea are also found to have moved deeper at an average rate of 3.6 m per decade (Dulvy et al ., 2008).
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».