Marine mammal hotspots in the Greenland and Barents Seas
Notice bibliographique
Résumé
Environmental change and increasing levels of human activity are threats to marine mammals in the Arctic. Identifying marine mammal hotspots and areas of high species richness are essential to help guide management and conservation efforts. Herein, space use based on biotelemetric tracking devices deployed on 13 species (ringed seal Pusa hispida , bearded seal Erignathus barbatus , harbour seal Phoca vitulina , walrus Odobenus rosmarus , harp seal Pagophilus groenlandicus , hooded seal Cystophora cristata , polar bear Ursus maritimus , bowhead whale Balaena mysticetus , narwhal Monodon monoceros , white whale Delphinapterus leucas , blue whale Balaenoptera musculus , fin whale Balaenoptera physalus and humpback whale Megaptera novaeangliae ; total = 585 individuals) in the Greenland and northern Barents Seas between 2005 and 2018 is reported. Getis-Ord G i * hotspots were calculated for each species as well as all species combined, and areas of high species richness were identified for summer/autumn (Jun-Dec), winter/spring (Jan-May) and the entire year. The marginal ice zone (MIZ) of the Greenland Sea and northern Barents Sea, the waters surrounding the Svalbard Archipelago and a few Northeast Greenland coastal sites were identified as key marine mammal hotspots and areas of high species richness in this region. Individual hotspots identified areas important for most of the tagged animals, such as common resting, nursing, moulting and foraging areas. Location hotspots identified areas heavily used by segments of the tagged populations, including denning areas for polar bears and foraging areas. The hotspots identified herein are also important habitats for seabirds and fishes, and thus conservation and management measures targeting these regions would benefit multiple groups of Arctic animals.
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 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».