An indicator‐based decision framework for the northern California red abalone fishery
Notice bibliographique
Résumé
Abstract Among abalone species that were once harvested along the California coastline, red abalone ( Haliotis rufescens ) supports the remaining recreational fishery. To support development of a red abalone fishery management plan, non‐governmental organizations have initiated expanded data collection and developed fishery management strategies. The latter is the subject of this study, as we present a management strategy evaluation ( MSE ) of a multi‐indicator decision tree. The decision tree relies on landings from each of 56 fishing sites and length frequency information collected during fishery‐independent diver surveys at a subset of sites. The decision tree was designed to cope with existing data limitations and to ensure that localized meta‐population dynamics were adequately considered in decision‐making. It was also necessary to balance the potential for localized abundance changes with the practical issue of implementing fishery regulations at larger spatial scales. The MSE demonstrated that undesirably low stock sizes could be avoided while also continuing to maintain a viable fishery, even under environmental conditions that are detrimental to abalone populations. Under less‐severe environmental conditions, stock size was maintained, on average, above the biomass associated with production of maximum sustainable yield. Our discussion centers on steps that were taken to refine the decision tree and to incorporate feedback from scientists and stakeholders and to facilitate transparent evaluation of management options.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,099 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».