How much fish is being extracted from the oceans and what is it worth?
Notice bibliographique
Résumé
Any analysis of the impacts of fishing on marine systems, as undertaken by the Sea Around Us project (www.seaaroundus.org), imposes critical demands on fine spatial data documenting the extraction of marine resources. Data sources such as those provided voluntarily from fishing countries through the Food and Agriculture Organization (FAO) of the United Nations are invaluable but have many limitations. Regional datasets are also important in that they provide better detail. Reconstruction of national datasets can also provide great insights into historical catch series (e.g., Zeller et al ., 2007), and are important to understand historic baselines (Jackson and Jacquet, this volume). These must be woven into one coherent and harmonized global dataset representing all extractions over time. To provide the necessary spatial detail, the global data are allocated to a fine grid of cells measuring just 30 by 30 minutes of latitude and longitude, resulting in over 180000 such cells covering the world's oceans. The taxonomic identity of the reported catch must be combined with comprehensive databases on where the species occur (and in what abundance) in order to complete this process. This spatial allocation must be further tempered by where countries fish, as not all coastal waters are available to all fleets. After considerable development by the Sea Around Us project, it is now possible to examine global catches and catch values in the necessary spatial context. Like detectives, we have been able to deduce who caught what, where, and when, and how much money they made in the process.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,006 |
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 ».