Area‐based management of blue water fisheries: Current knowledge and research needs
Notice bibliographique
Résumé
Abstract The pelagic fisheries beyond the continental shelves are currently managed with a range of tools largely based on regulating effort or target catch. These tools comprise both static and dynamic area‐based approaches to include gear limitations, closed areas and bycatch limits. There are increasing calls for additional area‐based interventions, particularly expansion of marine protected areas, with many now advocating closing 30% of the oceans to fishing. In this paper, we review the objectives, methods and successes of area‐based management of blue water fisheries across objectives related to food production and environmental, social and economic impacts. We also consider the methods used to evaluate the performance of area‐based regulations and provide a summary of the relative quality of evidence from alternative evaluation approaches. We found that few area‐based approaches have been rigorously evaluated, and that it is often difficult to obtain requisite observational data to define a counterfactual to infer any causal effect for such evaluation. Management agencies have been relatively successful at maintaining important commercial species at or near their target abundance, but success at meeting ecological or social goals is less clear. The high mobility of both target and bycatch species generally reduces the effectiveness of area‐based management, and shifting distributions due to climate change suggest that adaptive rather than static approaches will be preferred. We prioritize research and management actions that would make area‐based management more effective.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».