Integrated ecological–economic fisheries models—Evaluation, review and challenges for implementation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Marine ecosystems evolve under many interconnected and area‐specific pressures. To fulfil society's intensifying and diversifying needs while ensuring ecologically sustainable development, more effective marine spatial planning and broader‐scope management of marine resources is necessary. Integrated ecological–economic fisheries models ( IEEFM s) of marine systems are needed to evaluate impacts and sustainability of potential management actions and understand, and anticipate ecological, economic and social dynamics at a range of scales from local to national and regional. To make these models most effective, it is important to determine how model characteristics and methods of communicating results influence the model implementation, the nature of the advice that can be provided and the impact on decisions taken by managers. This article presents a global review and comparative evaluation of 35 IEEFM s applied to marine fisheries and marine ecosystem resources to identify the characteristics that determine their usefulness, effectiveness and implementation. The focus is on fully integrated models that allow for feedbacks between ecological and human processes although not all the models reviewed achieve that. Modellers must invest more time to make models user friendly and to participate in management fora where models and model results can be explained and discussed. Such involvement is beneficial to all parties, leading to improvement of mo‐dels and more effective implementation of advice, but demands substantial resources which must be built into the governance process. It takes time to develop effective processes for using IEEFM s requiring a long‐term commitment to integrating multidisciplinary modelling advice into management decision‐making.
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.
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 | 0,001 | 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 | 0,001 | 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) | 0,008 | 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 découle