COVID‐19 and biodiversity: The paradox of cleaner rivers and elevated extinction risk to iconic fish species
Notice bibliographique
Résumé
Notwithstanding the human suffering caused by COVID-19, the response (e.g. shelter-in-place orders) has yielded some tangible environmental benefits such as substantial improvements in air and water quality (Corlett et al., 2020). In India, this has manifested as heavily polluted rivers now running clear for the first time in decades with, for example, reports suggesting that the quality of the River Ganges has improved sufficiently to support safe bathing. Hidden beneath these brighter stories however, COVID-19 is also intensifying pressure on India's aquatic wildlife. In an already poverty-stricken country, an additional ~12 million are predicted to face extreme poverty as a result of COVID-19 (World Bank, 2020). Lacking social security, 90% of India's workforce are entirely dependent on daily wages, and are heavily reliant on food supply chains (Reardon et al., 2019) that have been severely disrupted across rural India. With fish (farmed as well as marine-sourced) and meat forming a primary source of protein for many, its sudden unavailability has resulted in local communities exploiting wild populations, especially freshwater fish. As most newly recruited fishers lack knowledge on responsible and regulated capture techniques, illegal, indiscriminate and destructive methods are being used that have impacts on all aquatic fauna (e.g. dynamite, poisons). This also includes harvesting species of high extinction risk, exemplified by the endemic hump-backed mahseer (Tor remadevii, Figure 1), an iconic and critically endangered member of the freshwater megafauna (Pinder, Raghavan, & Britton, in press) symbolic of India's extraordinarily diverse aquatic life. There is increasing evidence that their last remaining giant specimens are being removed from South India's River Cauvery by illegal fishers using a variety of capture methods (Deccan Herald, 2020), pushing them a step closer to extinction. This demonstrates that to understand fully the longer-term environmental impacts of COVID-19, there is always a need to look beneath the surface.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».