Quantifying bycatch risk factors for the Chinese distant water fishery
Notice bibliographique
Résumé
Abstract Mitigating bycatch of non-target fish species is a common objective in fisheries management that may be supported by the gathering of data from fishery observer programs and quantitative analysis of bycatch risk factors. We build three GLM models based on Chinese tuna longline fishery observer data in terms of analysis of total bycatch rate (TB rate), total bycatch ratio (TB ratio), and species-specific bycatch rate, respectively. The positive log-linear models assumed a Gaussian observation error model and a linear combination of categorical independent variables, including area, year, month, depth, and bycatch species. Results show that distributions of TB rate and TB ratio followed different trends and a latitudinal decrease was observed from both the northern and southern hemisphere of the equator. Comprehensively, the Pacific is a better place to fish compared to the Indian and Atlantic Oceans in terms of relatively lower TB rate and TB ratio. Fishing in open oceans can somehow avoid a high TB ratio than fishing in coastal waters. As a result, we recommend area 2SW, 2SE, 2 NW, 14SW, 14SE, and 14 NW as appropriate fishing ground for Albacore (Thunnus alalunga) while area 11N, 11S, 18SW, and 18SE to be appropriate fishing ground for fishing bigeye tuna (Thunnus obesus). Setting fishing gears deeper than 500 m would also help to get a low TB rate and TB ratio.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».