Catch and trade bans for seahorses can be negated by non‐selective fisheries
Notice bibliographique
Résumé
Abstract All seahorse species (genus Hippocampus) are listed under Schedule I of India's Wild Life Protection Act, making all capture and trade of seahorses illegal. In the more than 15 years since the ban, little work has been done to assess its effects on seahorse conservation. Between 2015 and 2017, fisheries and trade surveys were conducted along the south‐east coast of India, in the state of Tamil Nadu, historically known to be a hub for seahorse catches and trade. Seahorses were primarily landed as bycatch, although in greater quantities by traditional drag nets than as trawl bycatch. Total annual catches were estimated between 4.98 million and 13.64 million seahorses, 87% of which were caught by active non‐selective gear. Generalized additive models revealed that seahorse catch per unit effort had non‐linear relations with depth and latitude, and were higher in biogenic habitats, with active, bottom‐used, and non‐selective gears (e.g. trawls). The illegal nature of the trade in seahorses hampered an understanding of trade routes and trade volumes. Catch estimates indicated that 11.21–30.31 tonnes of seahorses probably entered trade, yet interviews with traders only documented trade of about 1.6 tonnes. Fishers reported a decreasing availability of seahorses. Since most seahorses come from bycatch in persistent fisheries that are not directly affected by the ban on seahorse capture, this decline is likely to represent a population decline. A fishery and trade ban for incidentally caught species, particularly in a poorly regulated fishery, appears to add little conservation value. There needs to be a shift in the management approach, moving from a ban towards spatial and temporal restrictions, and toward enforcing existing fishery regulations.
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 ».