Evaluating ecosystem impacts of gear regulations in a data-limited fishery—comparing approaches to estimate predator–prey interactions in Ecopath with Ecosim
Notice bibliographique
Résumé
Abstract Ecosystem models, such as Ecopath with Ecosim (EwE), are useful tools for developing ecosystem-based management strategies. Model development, however, requires data for the estimation of input parameters including time series for calibration. Most small-scale fisheries lack such information, making it difficult to reliably use ecosystem models for management strategy exploration. This is the case for the Chwaka Bay fishery (Zanzibar), where an increase in dragnets has led to concerns for unsustainable development. While EwE could help to explore the impacts of gear regulations in the bay, this is hampered by the lack of time series to estimate the predator–prey interactions (vulnerabilities) in the model. Here, we explore available approaches for estimating the vulnerabilities to simulate the effects of a dragnet prohibition with and without reallocation of fishing effort. Simulations suggest that banning dragnets would be beneficial for the fishing community judged by the increase in biomass of functional groups and fishers’ profits, but not if dragnet fishers were to continue fishing in the bay by reallocating to other gears, indicated by the reduced fish biomass and fishers’ profits. The overall trend (decreasing or increasing) in the changes of functional groups, ecosystem indicators, and profits were relatively consistent across vulnerability settings, illustrating that an unfitted EwE model can be used for qualitative management strategy exploration.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».