Developing conservation action for data-poor species using seahorses as a case study
Notice bibliographique
Résumé
In this thesis I explore how to develop conservation action strategically for data-poor marine fishes. The dearth of information about populations, habitats and threats for many marine fishes makes it difficult to know how or where to initiate conservation strategies. My PhD research explores what type of information is essential for conservation management, and how it can be generated and applied for data-poor marine fishes. I use the case study of seahorses (Hippocampus spp), because they are notoriously understudied and yet their trade is regulated under the Convention on International Trade in Endangered Species (CITES). I further focus on Thailand, the largest exporter of seahorses, which has come under considerable international scrutiny. In my first two chapters I generated the spatial data that are vital to support conservation and management efforts. My results showed that using local knowledge to inform a presence / absence study, one that incorporated detection probabilities, was the most expedient way to produce the necessary spatial data. In my next two chapters I explored two approaches to understanding incidental capture of data-poor species in non-selective fishing gear. I found that vulnerability analysis yielded greater return on fewer data than data-poor fisheries stock assessment. However, data-poor fishery stock assessment made it possible to estimate stock status and revise management measures. For my fifth chapter, I applied findings from my previous chapters to meet CITES obligations, by assuming the role of a Thai government agent confronted with the external technical advice that I had generated. I found that implementation was most successful if I addressed three main questions: (1) What are the pressures on species?; (2) Is management in place to mitigate those pressures?; and (3) Are the species responding as hoped to management? My thesis highlights ways that management can move forward with limited data to address conservation issues for marine species. Some of these ways include valuing the use of local knowledge and using new advances in data-poor assessment methods in fisheries. Whenever fisheries are involved, conservationists need to respect the challenges that managers face in simultaneously seeking to protect wild species and meet human needs.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».