Building an expert judgment-based model of mangrove fisheries
Notice bibliographique
Résumé
Mangroves are critically important habitats for fisheries, both\nfor their resident fish, crustacean, and mollusk populations and as nursery\ngrounds for the target species of offshore fisheries. However, the spatial variation\nin the benefits provided by mangroves to fisheries is poorly understood.\nBased on expert knowledge of mangrove ecology and fisheries biology, we developed\na preliminary model of the spatial distribution of benefits to fisheries\nfrom mangroves. The preliminary model covers the environmental factors that\ndetermine the amount of fish, crustaceans, mollusks, and other fishery target\nspecies produced by mangrove areas (termed “potential fish production”) and\nthe socioeconomic variables that determine the level of fishing in any given location.\nThe combination of these two outputs gives the predicted catch. Potential\nfish production is predicted to be highest where there is high freshwater and\nnutrient input to mangroves, such as in large estuaries. At large seascape scales,\ntotal mangrove area is also an important driver. Fishing effort is highest close\nto human populations, which provide both the fishers and the markets for their\ncatch. The model is qualitative and has not been parameterized with field data\nand, as such, should only be considered as a first step towards understanding\nthe spatial variation in the benefits that mangroves provide to fisheries.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».