Effects of indiscriminate fisheries on a group of small data-poor species in Thailand
Notice bibliographique
Résumé
Abstract As catches of economically valuable target fishes decline, indiscriminate fisheries are on the rise, where commercial and small-scale fishers retain and sell an increasing number of marine species. Some of these catches are destined for international markets and subject to international trade regulations. Many of these species are considered “data-poor” in that there are limited data on their biology, ecology, and exploitation, which poses a serious management challenge for sustainable fisheries and trade. Our research explores the relative pressure exerted by such indiscriminate fisheries on a data-poor marine fish genus—seahorses (Hippocampus spp.)—whose considerable international trade is regulated globally. Our focus is Thailand, a dominant fishing nation and the world‘s largest exporter of seahorses, where we gathered data by interviewing commercial and small-scale fishers and through port sampling of landed catch. We estimate that annual catches were more than threefold larger than previously documented, approximating 29 million individuals from all gears. Three fishing gears–two commercial (otter and pair trawl) and one small-scale (gillnet)–caught the most individuals. Results from port sampling and our vulnerability analysis confirmed that H. kelloggi, H. kuda, and H. trimaculatus were the three species (of seven found in Thai waters) most susceptible to fishing. Small-scale gillnets captured the majority of specimens under length at maturity, largely due to catches of juvenile H. kuda and H. trimaculatus. This research indicates a role for vulnerability analysis to initiate precautionary management plans while more extensive studies can be conducted.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».