Overfishing Increases the Carbon Footprint of Seafood Production From Small-Scale Fisheries
Notice bibliographique
Résumé
Small-scale fisheries (SSFs) and the foods they produce are extremely important, contributing 25–50% of global seafood landed for direct consumption. In some cases, SSFs provide seafoods with an exceptionally low carbon footprint, but like all food, it is important to understand the factors that regulate that footprint in the face of increasing demand and a worsening climate-ecological crisis. We utilize long-term fisheries monitoring data from Northwest Mexico to generate novel stock assessments and, subsequently, test the relationship between underlying fishery biomass and fuel intensity observed among several motorized SSFs. Using fuel data from over 4,000 individual fishing trips, in combination with estimated biomass data for 19 regional stocks, we show that the fuel footprint per kilogram of seafood increases sharply as the stock’s underlying annual biomass ( B ) falls below its estimated biomass at Maximum Sustainable Yield ( B MSY ). We find an inverse relationship between B/B MSY and fuel intensity using a test for simple correlation between the two ( r = -0.44), a linear regression analysis ( R 2 adj. = 0.17), and a mixed-effects model with gear type, year, and genus modelled as random effects. These results indicate that efforts to end overfishing, rebuild fishery stocks, and/or minimize intensive fishing practices will help to decrease the carbon emissions generated by motorized wild-catch fishing. We anticipate that this study will contribute an important “missing link” to discussions on how best to secure climate-resilient fisheries and, ideally, help SSF stakeholders garner recognition and support for SSFs in this context.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| 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 ».