Spatially explicit risk assessment of marine megafauna vulnerability to Indian Ocean tuna fisheries
Notice bibliographique
Résumé
Abstract By‐catch is the most significant direct threat marine megafauna face at the global scale. However, the magnitude and spatial patterns of megafauna by‐catch are still poorly understood, especially in regions with very limited monitoring and expanding fisheries. The Indian Ocean is a globally important region for megafauna biodiversity and for tuna fisheries, but has limited by‐catch data. Anecdotal and scattered information indicates high by‐catch could be a major threat. Here, we adapt a Productivity Susceptibility Analysis tool designed for data‐poor contexts to present the first spatially explicit estimates of by‐catch risk of sea turtles, elasmobranchs, and cetaceans in the three major tuna fishing gears (purse seines, longlines, and drift gill nets). Our assessment highlights a potential opportunity for multi‐taxa conservation benefits by concentrating management efforts in particular coastal regions. Most coastal waters in the northern Indian Ocean, including countries that have had a minimal engagement with regional management bodies, stand out as high risk for fisheries interactions. In addition to species known to occur in tuna gears, we find high vulnerability to multiple gear types for many poorly known elasmobranchs that do not fall under any existing conservation and management measures. Our results indicate that current by‐catch mitigation measures, which focus on safe‐release practices, are unlikely to adequately reduce the substantial cumulative fishing impacts on vulnerable species. Preventative solutions that reduce interactions with non‐target species (such as closed areas or seasons, or modifications to gear and fishing tactics) are crucial for alleviating risks to megafauna from fisheries.
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) | 0,014 | 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 ».