Using an <scp>EBFM</scp> lens to guide the management of marine biological resources under changing conditions
Notice bibliographique
Résumé
Abstract The management of natural resources is currently more challenging than ever before. Climate change and human population growth pose a threat to marine ecosystems as we know them. In order to preserve ecosystems, biodiversity and ecosystem services, management of biological resources must adopt a holistic strategy. Ecosystem‐Based Fisheries Management (EBFM) enables this by managing natural resources at the ecosystem level. However, EBFM objectives and implementation can be unclear at times, particularly when framed in the context of shifting conditions. In this research, the strategies available for managing marine biological resources within the EBFM framework and in a changing environment are reviewed. The purpose of this publication is to guide the decision on whether and how to change current management strategies in order to achieve policy goals. The manuscript starts with a revision of ecosystem indicators and ecosystem models used to detect and describe changes in ecosystem dynamics and stocks productivities under present and future conditions. Then, the different frameworks and methods available for integrating this information into the decision‐making process are summarised. Currently, some of the options available to include ecosystem realism into the fisheries advice include using ecosystem models in the Management Strategy Evaluation (MSE) process, adjusting single species reference points with ecosystem information and implementing risk‐equivalent empirical approaches. However, barriers that are impeding the adoption of these techniques exist. I concluded the study by identifying them and providing literature‐based solutions to overcome them from an interdisciplinary perspective.
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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».