Indonesian aquaculture futures—identifying interventions for reducing environmental impacts
Notice bibliographique
Résumé
Abstract Indonesia is the world’s second largest producer and third largest consumer of seafood. Fish is therefore essential to the nation, both financially and nutritionally. Overfishing and the effects of climate change will, however, limit future landings of capture fisheries, so any increases in future seafood production will need to come from aquaculture. The ecological effects of aquaculture are dependent upon the choice of species, management, and where it is sited. In the present study we use life cycle assessment (LCA) to evaluate how possible interventions and innovations can mitigate environmental impacts related to the aquaculture sector’s growth. The mitigation potential of six interventions were also quantified, namely (1) FCR reductions for whiteleg shrimp, carp, and tilapia; (2) sustainable intensification of milkfish and Asian tiger shrimp polyculture; (3) shifting groupers from whole fish diets to pellets; (4) favoring freshwater finfish over shrimp; (5) renewable electricity; and (6) reduced food waste and improved byproduct utilization. If all six interventions are implemented, we demonstrate that global warming, acidification, eutrophication, land occupation, freshwater use, and fossil energy use could be reduced by between 28% and 49% per unit of fish. The addition of many innovations that could not be quantified in the present study, including innovative feed ingredients, suggest that production could double within the current environmental footprint. This does not, however, satisfy the expected 3.25-fold increase under a business-as-usual scenario, neither does it satisfy the government’s growth targets. We therefore also explore possible geographical areas across Indonesia where aquaculture expansions and ecological hotspots may conflict. Conclusively, we advocate more conservative production targets and investment in more sustainable farming practices. To accelerate the implementation of these improvements, it will be central to identify the most cost-effective aquaculture interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».