Focusing on what matters most: Evaluating multiple challenges to stability in recreational fisheries
Notice bibliographique
Résumé
Abstract Recreational fisheries were traditionally theorized to self‐regulate in a sustainable feedback loop in which recreational anglers moderate their fishing effort in response to population declines. However, several mechanisms are hypothesized to break down this self‐regulatory process, including recruitment variability and depensatory population dynamics. Although many of these mechanisms of instability have been estimated in empirical systems and explored using modelling, we still do not know the extent to which these mechanisms can (1) erode stability at their observed strength in real systems and (2) interact to dampen or intensify each other's effects. In this study, we synthesize existing data on four of these mechanisms: (1) depensation in the stock‐recruit relationship, (2) recruitment stochasticity, (3) density‐dependent catchability and (4) the strength of anglers' responsiveness to changing catch rates. We report the range of observed values for these four mechanisms in real‐world fisheries and observe their effect on a simplified recreational fishery model. We find that at moderate fishing effort none of the mechanisms was destabilizing enough on its own to collapse the modelled population, but that an angler population that was likely to keep fishing when catch rates approached zero was a key element of interactions that caused collapse. The strongest interaction was between an angler population with this characteristic and a fish population with hyperstable catch rates. Our results highlight the need for more consistent and widespread estimation of utility‐based angler effort functions as well as the importance of interdisciplinary teams that can gather both social and ecological data.
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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».