MétaCan
Menu
Retour à la cohorte
Enregistrement W3099090457 · doi:10.1073/pnas.2008256117

Marine wild-capture fisheries after nuclear war

2020· article· en· W3099090457 sur OpenAlexaff
Kim Scherrer, Cheryl S. Harrison, Ryan Heneghan, Eric D. Galbraith, Charles Bardeen, Joshua Coupe, Jonas Jägermeyr, Nicole S. Lovenduski, August Luna, Alan Robock, Jessica Stevens, Samantha Stevenson, O. B. Toon, Lili Xia

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueNuclear Issues and Defense
Établissements canadiensMcGill University
Organismes subventionnairesEuropean CommissionOpen Philanthropy ProjectMinisterio de Ciencia, Innovación y Universidades
Mots-clésOverfishingOverexploitationFishingFisheryFisheries managementAgricultureClimate changeNatural resource economicsEnvironmental scienceBiologyEconomicsEcology

Résumé

récupéré en direct d'OpenAlex

Nuclear war, beyond its devastating direct impacts, is expected to cause global climatic perturbations through injections of soot into the upper atmosphere. Reduced temperature and sunlight could drive unprecedented reductions in agricultural production, endangering global food security. However, the effects of nuclear war on marine wild-capture fisheries, which significantly contribute to the global animal protein and micronutrient supply, remain unexplored. We simulate the climatic effects of six war scenarios on fish biomass and catch globally, using a state-of-the-art Earth system model and global process-based fisheries model. We also simulate how either rapidly increased fish demand (driven by food shortages) or decreased ability to fish (due to infrastructure disruptions), would affect global catches, and test the benefits of strong prewar fisheries management. We find a decade-long negative climatic impact that intensifies with soot emissions, with global biomass and catch falling by up to 18 ± 3% and 29 ± 7% after a US-Russia war under business-as-usual fishing-similar in magnitude to the end-of-century declines under unmitigated global warming. When war occurs in an overfished state, increasing demand increases short-term (1 to 2 y) catch by at most ∼30% followed by precipitous declines of up to ∼70%, thus offsetting only a minor fraction of agricultural losses. However, effective prewar management that rebuilds fish biomass could ensure a short-term catch buffer large enough to replace ∼43 ± 35% of today's global animal protein production. This buffering function in the event of a global food emergency adds to the many previously known economic and ecological benefits of effective and precautionary fisheries management.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,035
Tête enseignante GPT0,287
Écart entre enseignants0,251 · 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'étudeSimulation ou modélisation
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

Citations63
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetNuclear Issues and DefenseTravaux en français237 207