Managing fisheries for maximum nutrient yield
Notice bibliographique
Résumé
Wild-caught fish are a bioavailable source of nutritious food that, if managed strategically, could enhance diet quality for billions of people. However, optimising nutrient production from the sea has not been a priority, hindering development of nutrition-sensitive policies. With fisheries management increasingly effective at rebuilding stocks and regulating sustainable fishing, we can now begin to integrate nutritional outcomes within existing management frameworks. Here, we develop a conceptual foundation for managing fisheries for multispecies Maximum Nutrient Yield (mMNY). We empirically test our approach using size-based models of North Sea and Baltic Sea fisheries and show that mMNY is predicted by the relative contribution of nutritious species to total catch and their vulnerability to fishing, leading to trade-offs between catch and specific nutrients. Simulated nutrient yield curves suggest that vitamin D, which is deficient in Northern European diets, was underfished at fishing levels that returned maximum catch weights. Analysis of global catch data shows there is scope for nutrient yields from most of the world's marine fisheries to be enhanced through nutrient-sensitive fisheries management. With nutrient composition data now widely available, we expect our mMNY framework to motivate development of nutrient-based reference points in specific contexts, such as data-limited fisheries. Managing for mMNY alongside policies that promote access to fish could help close nutrient gaps for coastal populations, maximising the contribution of wild-caught fish to global food and nutrition security.
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 | 0,000 |
| 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) | 0,001 | 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 ».