Timing and magnitude of climate‐driven range shifts in transboundary fish stocks challenge their management
Notice bibliographique
Résumé
Climate change is shifting the distribution of shared fish stocks between neighboring countries' Exclusive Economic Zones (EEZs) and the high seas. The timescale of these transboundary shifts determines how climate change will affect international fisheries governance. Here, we explore this timescale by coupling a large ensemble simulation of an Earth system model under a high emission climate change scenario to a dynamic population model. We show that by 2030, 23% of transboundary stocks will have shifted and 78% of the world's EEZs will have experienced at least one shifting stock. By the end of this century, projections show a total of 45% of stocks shifting globally and 81% of EEZs waters with at least one shifting stock. The magnitude of such shifts is reflected in changes in catch proportion between EEZs sharing a transboundary stock. By 2030, global EEZs are projected to experience an average change of 59% in catch proportion of transboundary stocks. Many countries that are highly dependent on fisheries for livelihood and food security emerge as hotspots for transboundary shifts. These hotspots are characterized by early shifts in the distribution of an important number of transboundary stocks. Existing international fisheries agreements need to be assessed for their capacity to address the social-ecological implications of climate-change-driven transboundary shifts. Some of these agreements will need to be adjusted to limit potential conflict between the parties of interest. Meanwhile, new agreements will need to be anticipatory and consider these concerns and their associated uncertainties to be resilient to global change.
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 | 0,001 |
| 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 ».