MétaCan
Menu
Retour à la cohorte
Enregistrement W2884853868 · doi:10.1126/sciadv.aat7159

Global hot spots of transshipment of fish catch at sea

2018· article· en· W2884853868 sur OpenAlexafffund
Kristina Boerder, Nathan A. Miller, Boris Worm

Notice bibliographique

RevueScience Advances · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaGoogle
Mots-clésTransshipment (information security)Fish <Actinopterygii>FisherySpotsComputer scienceEnvironmental scienceBiologyComputer security

Résumé

récupéré en direct d'OpenAlex

A major challenge in global fisheries is posed by transshipment of catch at sea from fishing vessels to refrigerated cargo vessels, which can obscure the origin of the catch and mask illicit practices. Transshipment remains poorly quantified at a global scale, as much of it is thought to occur outside of national waters. We used Automatic Identification System (AIS) vessel tracking data to quantify spatial patterns of transshipment for major fisheries and gear types. From 2012 to 2017, we observed 10,510 likely transshipment events, with trawlers (53%) and longliners (21%) involved in a majority of cases. Trawlers tended to transship in national waters, whereas longliners did so predominantly on the high seas. Spatial hot spots were seen off the coasts of Russia and West Africa, in the South Indian Ocean, and in the equatorial Pacific Ocean. Our study highlights novel ways to trace seafood supply chains and identifies priority areas for improved trade regulation and fisheries management at the global scale.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,199
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,004
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,014
Tête enseignante GPT0,291
Écart entre enseignants0,276 · 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 tête enseignante, pas un consensus.

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

Citations72
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetMarine and fisheries researchTravaux en français237 207