Tracking industrial fishing activities in African waters from space
Notice bibliographique
Résumé
Abstract Marine fisheries in African waters contribute substantially to food security and local economies in African coastal nations. Recently, there are growing concerns about the sustainability of living marine resources in these countries’ exclusive economic zones (EEZs) due to increased risks from climate change, pollution and potential over‐exploitation of fisheries resources by non‐African (foreign) countries. To effectively manage fishing activities and sustain marine resources in African waters, we need useful tools for characterizing the fishing activities in African waters. Here, we assess the utility of the Automatic Identification System (AIS) derived data for describing the spatial characteristics of African and foreign industrial fishing activities within the EEZs of African coastal nations. The results show that the AIS‐derived spatial pattern of industrial fishing activities in African waters is consistent with that of industrial catches derived from the Sea Around Us database. Across African EEZs, the spatial correlations between primary productivity and fishing effort highly vary by gear types, which emphasizes the importance of investigating specific fishing strategies when studying the effects of bottom‐up drivers on fishing effort. We find an EEZ‐specific spatial pattern for fishing efforts across African waters and identify some socioeconomic, political and geographic factors that likely affect the decision of fleets to fish in specific African EEZs. We conclude that AIS‐derived fishing data can be a useful complementary tool for characterizing the spatial pattern of industrial fishing efforts in African waters.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».