Trade‐offs for data‐limited fisheries when using harvest strategies based on catch‐only models
Notice bibliographique
Résumé
Abstract Many of the world's fisheries are unassessed, with little information about population status or risk of overfishing. Unassessed fisheries are particularly predominant in developing countries and in small‐scale fisheries, where they are important for food security. Several catch‐only methods based on time series of fishery catch and commonly available life‐history traits have been developed to estimate stock status (defined as biomass relative to biomass at maximum sustainable yield: B/ B MSY ). While their stock status performance has been extensively studied, performance of catch‐only models as a management tool is unknown. We evaluated the extent to which a superensemble of three prominent catch‐only models can provide a reliable basis for fisheries management and how performance compares across management strategies that control catch or fishing effort. We used a management strategy evaluation framework to determine whether a superensemble of catch‐only models can reliably inform harvest control rules ( HCR s). Across five simulated fish life histories and two harvest‐dynamic types, catch‐only models and HCR combinations reduced the risk of overfishing and increased the proportion of stocks above B MSY compared to business as usual, though often resulted in poor yields. Precautionary HCR s based on fishing effort were robust and insensitive to error in catch‐only models, while catch‐based HCR s caused high probabilities of overfishing and more overfished populations. Catch‐only methods tended to overestimate B/ B MSY for our simulated data sets. The catch‐only superensemble combined with precautionary effort‐based HCR s could be part of a stepping stone approach for managing some data‐limited stocks while working towards more data‐moderate assessment methods.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».