Considerations for management strategy evaluation for small pelagic fishes
Notice bibliographique
Résumé
Abstract Management strategy evaluation (MSE) is the state‐of‐the‐art approach for testing and comparing management strategies in a way that accounts for multiple sources of uncertainty (e.g. monitoring, estimation, and implementation). Management strategy evaluation can help identify management strategies that are robust to uncertainty about the life history of the target species and its relationship to other species in the food web. Small pelagic fish (e.g. anchovy, herring and sardine) fulfil an important ecological role in marine food webs and present challenges to the use of MSE and other simulation‐based evaluation approaches. This is due to considerable stochastic variation in their ecology and life history, which leads to substantial observation and process uncertainty. Here, we summarize the current state of MSE for small pelagic fishes worldwide. We leverage expert input from ecologists and modellers to draw attention to sources of process and observation uncertainty for small pelagic species, providing examples from geographical regions where these species are ecologically, economically and culturally important. Temporal variation in recruitment and other life‐history rates, spatial structure and movement, and species interactions are key considerations for small pelagic fishes. We discuss tools for building these into the MSE process, with examples from existing fisheries. We argue that model complexity should be informed by management priorities and whether ecosystem information will be used to generate dynamics or to inform reference points. We recommend that our list of considerations be used in the initial phases of the MSE process for small pelagic fishes or to build complexity on existing single‐species models.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».