What to do when you have almost nothing: A simple quantitative prescription for managing extremely data‐poor fisheries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The cost, complexity and the lack of technical capacity in many countries have made the scientific assessment and sustainable management of data‐poor fisheries a persistent problem. New and innovative approaches are needed to stop the ongoing decline of data‐poor fisheries and loss of coastal biodiversity they are driving. In recent decades, marine protected areas have become the most preferred form of management for study and have been widely implemented as broadly applicable powerful management tools for data‐poor fisheries, but although clearly capable of building biomass within sanctuaries, their effectiveness for sustaining fisheries is proving more difficult to substantiate. This study suggests the new approach needed is actually a return to the established basics of managing size selectivity. Previous studies have established the wisdom of managing size selectivity and fishing pressure to catch fish above the size or age of maturity, but their prescriptions are difficult to implement without age studies, or the capacity for controlling catches and fishing pressure. This study develops an easily implementable rule of thumb based simply on multiples of size of maturity and quantifies its benefit where controlling fishing pressure is not yet possible. Our study provides a timely reminder that even if used alone, size selectivity, the oldest form of management, still produces pretty good sustainable yields. We suggest our rule of thumb can be used to prevent data‐poor fisheries declining while capacity for more complex forms of assessment and management are developed.
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.
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 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 découle