MétaCan
Menu
← Retour à la cohorte
Enregistrement W2990736637 · doi:10.1139/cjfas-2019-0065

Alien species stabilize local fisheries catch in a highly invaded ecosystem

2019· article· en· W2990736637 sur OpenAlexvenueno aff
Itai van Rijn, Moshe Kiflawi, Jonathan Belmaker

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAlienFishingIntroduced speciesFisheryEcologyInvasive speciesGeographyCatch per unit effortEcosystemBiologyPopulation

Résumé

récupéré en direct d'OpenAlex

Alien species may be a valuable resource for marine fisheries, yet their contribution to the catch might be balanced by negative effects on indigenous species. In this study, we explored a unique high-resolution time series of catch data from a highly invaded ecosystem in the eastern Mediterranean. We analyzed over 5000 fishing hauls digitalizing from fishers’ logbooks. We found that the catch per unit effort (CPUE) of alien species increased over time, while for indigenous species, CPUE remained relatively stable between 1996 and 2013. This suggests a lack of competitive exclusion of indigenous target species due to the proliferation of alien species. From the perspective of the fishers’ revenues, alien species gradually became a more important part of the catch, while overall fishers’ revenues showed temporal stability. This was the combined result of alien species increasing CPUE and fishers shifting their effort toward shallower water where alien species were dominant. Our findings demonstrate that alien species can become a valuable resource for a local fishing industry with little effect on indigenous species, which is highly relevant to worldwide fisheries experiencing range redistribution of commercial species.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,212
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetMarine and fisheries research→Travaux en français237 207→