Marine Fishery Resources of Andhra Pradesh
Notice bibliographique
Résumé
Andhra Pradesh with a coastline of 974 km encompassing 9 coastal districts has had a long \nhistory of fishing. Starting with traditional fishing in ancient times to the modern, technology-intensive \nfishing, the marine fisheries sector of the state has grown tremendously reaching record landings of \n3.42 lakh tonnes in 2014. The state has 555 marine fishing villages with 353 marine fish landing centres \n(CMFRI Marine Fisheriers Census, 2010). There are two major fishing harbors at Visakhapatnam and \nKakinada where bulk of total trawl catch (nearly 70%) is landed and three minor fishing harbors at \nBhairavapalem, Machilipatnam and Nizamapatnam. The marine fishermen population of the state is \nmore than 6 lakhs with roughly a quarter of them, being acive in fishery related activities throughout the \nyear. There are 31,741 fishing crafts in the marine fisheries of Andhra pradesh (CMFRI Marine Fisheriers \nCensus, 2010). The marine fisheries sector, at present, is an important source of employment and \nincome generation in the state, but is plagued with several problems. As because, this sector is vulnerable \nto external influences viz., overexploitation of marine resources, environmental degradation and climate \nchange, efficient management is the need of the hour.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,006 | 0,016 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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; 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 ».