Mapping diversity of species in global aquaculture
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 Aquaculture is the world's most diverse farming practice in terms of number of species, farming methods and environments used. While various organizations and institutions have promoted species diversification, overall species diversity within the aquaculture industry is likely not promoted nor sufficiently well quantified. Using the most extensive dataset available (FAO‐statistics) and an approach based on the Shannon Diversity index, this paper provides a method for quantifying and mapping global aquaculture species diversity. Although preliminary analyses showed that a large part of the species forming production is still qualified as undetermined species (i.e. ‘not elsewhere included’); results indicate that usually high species diversity for a country is associated with a higher production but there are considerable differences between countries. Nine of the top 10 countries ranked highest by Shannon Diversity index in 2017 are from Asia with China producing the most diverse collection of species. Since species diversity is not the only level of diversity in production, other types of diversity are also briefly discussed. Diversifying aquatic farmed species can be of importance for long‐term performance and viability of the sector with respect to sustaining food production under (sometimes abrupt) changing conditions. This can be true both at the global and regional level. In contrast, selection and focus on only a limited number of species can lead to rapid improvements in terms of production (towards sustainability or not) and profitability. Therefore, benefits and shortcomings of diversity are discussed from both economical and social‐ecological perspectives that concurrently are shaping the expanding aquaculture industry.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 découle