Salty stories, fresh spaces: Lessons for aquatic protected areas from marine and freshwater experiences
Notice bibliographique
Résumé
Abstract Marine protected areas (MPAs) and freshwater protected areas (FPAs), collectively aquatic protected areas (APAs), share many commonalities in their design, establishment, and management, suggesting great potential for sharing lessons learned. However, surprisingly little has been exchanged to date, and both realms of inquiry and practice have progressed mostly independent of each other. This paper builds on a session held at the 7th World Fisheries Congress in Busan, South Korea, in May 2016, which explored crossover lessons between marine and freshwater realms, and included case studies of four MPAs and five FPAs (or clusters of FPAs) from nine countries. This review uses the case studies to explore similarities, differences, and transferrable lessons between MPAs and FPAs under five themes: (1) ecological system; (2) establishment approaches; (3) effectiveness monitoring; (4) sustaining APAs; and (5) challenges and external threats. Ecological differences between marine and freshwater environments may necessitate different approaches for collecting species and habitat data to inform APA design, establishment and monitoring, but once collected, similar spatial ecological tools can be applied in both realms. In contrast, many similarities exist in the human dimension of both MPA and FPA establishment and management, highlighting clear opportunities for exchanging lessons related to stakeholder engagement and support, and for using similar socio‐economic and governance assessment methods to address data gaps in both realms. Regions that implement MPAs and FPAs could work together to address shared challenges, such as developing mechanisms for diversified and sustained funding, and employing integrated coastal/watershed management to address system‐level threats. Collaboration across realms could facilitate conservation of diadromous species in both marine and freshwater habitats. Continued exchange and increased collaboration would benefit both realms, and may be facilitated by defining shared terminology, holding cross‐disciplinary conferences or sessions, publishing inclusive papers, and proposing joint projects.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,022 |
| Communication savante | 0,011 | 0,023 |
| Science ouverte | 0,002 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».