Opportunities for climate‐risk reduction through effective fisheries management
Notice bibliographique
Résumé
Risk of impact of marine fishes to fishing and climate change (including ocean acidification) depend on the species' ecological and biological characteristics, as well as their exposure to over-exploitation and climate hazards. These human-induced hazards should be considered concurrently in conservation risk assessment. In this study, we aim to examine the combined contributions of climate change and fishing to the risk of impacts of exploited fishes, and the scope for climate-risk reduction from fisheries management. We combine fuzzy logic expert system with species distribution modeling to assess the extinction risks of climate and fishing impacts of 825 exploited marine fish species across the global ocean. We compare our calculated risk index with extinction risk of marine species assessed by the International Union for Conservation of Nature (IUCN). Our results show that 60% (499 species) of the assessed species are projected to experience very high risk from both overfishing and climate change under a "business-as-usual" scenario (RCP 8.5 with current status of fisheries) by 2050. The risk index is significantly and positively related to level of IUCN extinction risk (ordinal logistic regression, p < 0.0001). Furthermore, the regression model predicts species with very high risk index would have at least one in five (>20%) chance of having high extinction risk in the next few decades (equivalent to the IUCN categories of vulnerable, endangered or critically endangered). Areas with more at-risk species to climate change are in tropical and subtropical oceans, while those that are at risk to fishing are distributed more broadly, with higher concentration of at-risk species in North Atlantic and South Pacific Ocean. The number of species with high extinction risk would decrease by 63% under the sustainable fisheries-low emission scenario relative to the "business-as-usual" scenario. This study highlights the substantial opportunities for climate-risk reduction through effective fisheries management.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».