MétaCan
Menu
← Retour à la cohorte
Enregistrement W2767931954 · doi:10.1139/cjfas-2017-0085

Rebuilding in the face of climate change

2017· article· en· W2767931954 sur OpenAlexvenueno aff
Richard J. Bell, Anthony D. Wood, Jonathan A. Hare, David Richardson, John P. Manderson, Timothy J. Miller

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensnon disponible
Organismes subventionnairesNortheast Fisheries Science CenterNational Marine Fisheries ServiceNational Oceanic and Atmospheric Administration
Mots-clésStock (firearms)Climate changeFishingWinter flounderEnvironmental scienceFisheryPopulationRecreationGeographyEcologyFlounderBiologyFish <Actinopterygii>

Résumé

récupéré en direct d'OpenAlex

Decadal-scale climate variability and change can cause trends in oceanographic conditions that impact demographic rates. Rebuilding scenarios, therefore, developed assuming constant demographic rates may not be realistic. Winter flounder (Pseudopleuronectes americanus) is an important commercial and recreational species that has declined in the southern portion of its range despite reduced exploitation. Laboratory and mesocosm studies suggest that stock productivity is reduced under warmer conditions and that rebuilding to historical levels may not be possible. Our goal was to examine the rebuilding potential of winter flounder in the face of regional warming. We integrated winter temperature into a population model to estimate environmentally driven stock–recruitment parameters and projected the stock into the future under different climate and fishing scenarios. The inclusion of winter temperature had minor impacts on the estimates of current abundance, but provided greater understanding of the drivers of recruitment. Projections that included the environment suggest that rebuilding the stock to historical levels is unlikely. The integration of both fishing and the environment has the potential to provide more realistic expectations of future stock status.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,279
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetMarine and fisheries research→Travaux en français237 207→