Alternative bait trials in the Barents Sea snow crab fishery
Notice bibliographique
Résumé
Commercial harvesting of snow crab ( Chionoecetes opilio ) in the Barents Sea started in 2012 by Norwegian fishing vessels. This new fishery has significant bait requirements, representing an emerging conservation challenge. In this study, we evaluate the performance of five alternative (natural) baits manufactured from the waste stream of existing and sustainably managed harp seal ( Pagophilus groenlandicus ) and minke whale ( Balaenoptera acutorostrata ) capture. Five different types of new bait were evaluated, including seal fat (SF), seal fat with skin (SFS), seal meat with bone (SMB), whale fat with skin (WFS), and whale meat with fat (WMF). A comparative fishing experiment was conducted onboard a commercial snow crab fishing vessel in the Barents Sea (May–June, 2016) to evaluate the performance of traditional bait (squid, Illexs spp .) and alternative baits at catching snow crabs. Performance of the different baits were compared on the basis of the number of commercial crab caught per trap haul catch per unit effort (CPUE) and carapace width (CW). Our results showed that SF and SFS performed equally well to traditional bait, with no statistical difference in CPUE ( p -value = 0.325 and 0.069, respectively). All of the other experimental baits significantly decreased CPUE, when compared to squid. No significant effect of bait treatment on CW was detected and the cumulative distribution of CW was the same between control traps and each of the bait treatments. Overall the results indicated that SF and SFS represent a viable alternative to replace traditional bait, addressing a key conservation challenge in this bait intensive snow crab fishery.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,002 |
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 ».