Predicting occurrence of juvenile shark habitat to improve conservation planning
Notice bibliographique
Résumé
Abstract Fishing and habitat degradation have increased the extinction risk of sharks, and conservation strategies recognize that survival of juveniles is critical for the effective management of shark populations. Despite the rapid expansion of marine protected areas (MPAs) globally, the paucity of shark‐monitoring data on large scales (100s–1000s km) means that the effectiveness of MPAs in halting shark declines remains unclear. Using data collected by baited remote underwater video systems (BRUVS) in northwestern Australia, we developed generalized linear models to elucidate the ecological drivers of habitat suitability for juvenile sharks. We assessed occurrence patterns at the order and species levels. We included all juvenile sharks sampled and the 3 most abundant species sampled separately (grey reef [Carcharhinus amblyrhynchos], sandbar [Carcharhinus plumbeus], and whitetip reef sharks [Triaenodon obesus]). We predicted the occurrence of juvenile sharks across 490,515 km 2 of coastal waters and quantified the representation of highly suitable habitats within MPAs. Our species‐level models had higher accuracy ( ĸ ≥ 0.69) and deviance explained (≥48%) than our order‐level model ( ĸ = 0.36 and deviance explained of 10%). Maps of predicted occurrence revealed different species‐specific patterns of highly suitable habitat. These differences likely reflect different physiological or resource requirements between individual species and validate concerns over the utility of conservation targets based on aggregate species groups as opposed to a species‐focused approach. Highly suitable habitats were poorly represented in MPAs with the most restrictions on extractive activities. This spatial mismatch possibly indicates a lack of explicit conservation targets and information on species distribution during the planning process. Non‐extractive BRUVS provided a useful platform for building the suitability models across large scales to assist conservation planning across multiple maritime jurisdictions, and our approach provides a simple for method for testing the effectiveness of MPAs.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».