The Silent Threat of Non-native Fish in the Amazon: ANNF Database and Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Non-native fish (NNF) can threaten megadiverse aquatic ecosystems throughout the planet, but limited information is available for the Amazon Region. In this study we review NNF data in the Amazonian macroregion using spatiotemporal records on the occurrence and the richness of NNF from a collaborative network of 35 regional experts, establishing the Amazon NNF database (ANNF). The NNF species richness was analyzed by river basin and by country, as well as the policies for each geopolitical division for the Amazon. The analysis included six countries (Brazil, Peru, Bolivia, Ecuador, Venezuela, and Colombia), together comprising more than 80% of the Amazon Region. A total of 1314 NNF occurrence records were gathered. The first record of NNF in this region was in 1939 and there has been a marked increase in the last 20 years (2000–2020), during which 75% of the records were observed. The highest number of localities with NNF occurrence records was observed for Colombia, followed by Brazil and Bolivia. The NNF records include 9 orders, 17 families and 41 species. Most of the NNF species are also used in aquaculture (12 species) and in the aquarium trade (12 species). The most frequent NNF detected were Arapaima gigas, Poecilia reticulata and Oreochromis niloticus . The current data highlight that there are few documented cases on NNF in the Amazon, their negative impacts and management strategies adopted. The occurrence of NNF in the Amazon Region represents a threat to native biodiversity that has been increasing “silently” due to the difficulties of large-scale sampling and low number of NNF species reported when compared to other South American regions. The adoption of effective management measures by decision-makers is urgently needed and their enforcement needed to change this alarming trend and help protect the Amazon’s native fish diversity.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle