Minding the Data-Gap Trap: Exploring Dynamics of Abundant Dolphin Populations Under Uncertainty
Notice bibliographique
Résumé
Preventing declines in common species is key to sustaining the structure and function of marine ecosystems. Yet for many common marine mammals, including oceanic dolphins, statistical power to detect declines remains low due to patchy distribution and large variability in group sizes. In this study, population viability analyses (PVA) were used to model the dynamics of four oceanic dolphin populations off the United States West Coast: eastern North Pacific long-beaked common dolphins ( Delphinus delphis capensis ), short-beaked common dolphins ( D. delphis delphis ), Pacific white-sided dolphins ( Lagenorhynchus obliquidens ), and “offshore” common bottlenose dolphins ( Tursiops truncatus ). We calibrated the PVA with life-history tables, studies on proxy species, and stock assessment reports. We explored the sensitivity of populations to demographic variation and projected how they may respond to changes in three sublethal threats (prey limitation, ocean noise, and chemical pollution) and one lethal threat (fisheries bycatch). We found the most serious projected declines in long-beaked common dolphins, which showed the lowest birth rate. Most threat scenarios resulted in declines that would not be detected by existing monitoring programs in the United States, which are among the most data-rich surveys of their kind. The cumulative effects of the three sublethal stressors exceeded the effect of the one lethal stressor (fisheries bycatch). To implement pro-active management and monitoring programs, anticipating which cetaceans are more at risk and which anthropogenic threats could cause declines is paramount. Our study highlights the value of model testing with PVA when monitoring data are poor, thereby identifying priorities for future research, monitoring, and 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,005 |
| 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 ».