The highs and lows of herring: A meta‐analysis of patterns and factors in herring collapse and recovery
Notice bibliographique
Résumé
Abstract Pacific and Atlantic herring populations (genus Clupea ) commonly experience episodic collapse and recovery. Recovery time durations are of great importance for the sustainability of fisheries and ecosystems. We collated information from 64 herring populations to characterize herring fluctuations and determine the time scales at low biomass and at high and low recruitment, and use generalized linear models and Random Survival Forests to identify the most important bottom‐up, top‐down and intrinsic factors influencing recovery times. Compared to non‐forage fish taxa, herring decline to lower minima, recover to higher maxima and show larger changes in biomass, implying herring are more prone to booms and busts than non‐forage fish species. Large year classes are more common in herring, but occur infrequently and are uncorrelated among regionally grouped stocks, implying local drivers of high recruitment. Management differs between Pacific and Atlantic herring fisheries, where at similarly low biomass, Pacific fisheries tend to be closed while Atlantic fisheries remain open. This difference had no apparent effect on herring recovery times, which averaged 11 years, although most stocks with longer recovery periods had not yet recovered at the end of the observation period. Biomass recovery is best explained by median recruitment and variability in sea surface height anomalies and sea surface temperatures—higher variability leads to shorter recovery times. In addition, the duration of recruitment failure is closely linked with low biomass. While recovery times rely on the nature of the relationship between spawning biomass and recruitment, they are still largely governed by complex and uncertain processes.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».