Implementing the precautionary approach into fisheries management: Biomass reference points and uncertainty buffers
Notice bibliographique
Résumé
Abstract The precautionary approach to fisheries management advocates for risk‐averse management strategies that include biological reference points and account for scientific uncertainty (i.e. process, model and observation uncertainty). In this regard, two approaches have been recommended: (a) biomass reference points to safeguard against low stock biomass, and (b) uncertainty buffers that reduce the catch limit as a function of the scientific uncertainty. This study compares the effectiveness of these two precautionary approaches in recovering over‐exploited fish stocks. We evaluate the performance of more than 80 harvest control rules (HCRs) within a stochastic management strategy evaluation ( MSE ) framework for three stocks with contrasting life‐history parameters and under various levels of scientific uncertainty. The results show that both approaches reduce the risk of overfishing at the expense of expected yield. This risk‐yield trade‐off strongly depends on the HCRs, life‐history parameters of the species, as well as the level of the scientific uncertainty. Nevertheless, some combinations of biomass threshold and limit reference points as well as uncertainty buffers lead to a more favourable risk‐yield trade‐off than other rules. This study elucidates the multiple factors affecting the effectiveness of management strategies and highlights key features of HCRs for precautionary fisheries 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 | 0,000 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».