MétaCan
Menu
← Retour à la cohorte
Enregistrement W3109203781 · doi:10.1371/journal.pone.0237414

Disentangling conditional effects of multiple regime shifts on Atlantic cod productivity

2020· article· en· W3109203781 sur OpenAlexafffund
Tommi Perälä, Esben Moland Olsen, Jeffrey A. Hutchings

Notice bibliographique

RevuePLoS ONE · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensDalhousie University
Organismes subventionnairesH2020 European Research CouncilNatural Sciences and Engineering Research Council of CanadaLoblaw Companies Limited
Mots-clésRegime shiftProductivityAbundance (ecology)North Atlantic oscillationZooplanktonFishingEnvironmental scienceClimate changeMarine ecosystemOceanographySea surface temperatureEcosystemFisheryEcologyGeographyBiologyEconomicsGeology

Résumé

récupéré en direct d'OpenAlex

Regime shifts are increasingly prevalent in the ecological literature. However, definitions vary and detection methods are still developing. Here, we employ a novel statistical algorithm based on the Bayesian online change-point detection framework to simultaneously identify shifts in the mean and (or) variance of time series data. We detected multiple regime shifts in long-term (59-154 years) patterns of coastal Norwegian Atlantic cod (>70% decline) and putative drivers of cod productivity: North Atlantic Oscillation (NAO); sea-surface temperature; zooplankton abundance; fishing mortality (F). The consequences of an environmental or climate-related regime shift on cod productivity are accentuated when regime shifts coincide, fishing mortality is high, and populations are small. The analyses suggest that increasing F increasingly sensitized cod in the mid 1970s and late 1990s to regime shifts in NAO, zooplankton abundance, and water temperature. Our work underscores the necessity of accounting for human-induced mortality in regime shift analyses of marine ecosystems.

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)0,004
score de la tête « metaresearch » (Gemma)0,011
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,041
Tête enseignante GPT0,213
Écart entre enseignants0,172 · 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

Citations14
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONE→Même sujetClimate variability and models→Travaux en français237 207→