Impact of the 2014–2016 marine heatwave on US and Canada West Coast fisheries: Surprises and lessons from key case studies
Notice bibliographique
Résumé
Abstract Marine heatwaves are increasingly affecting marine ecosystems, with cascading impacts on coastal economies, communities, and food systems. Studies of heatwaves provide crucial insights into potential ecosystem shifts under future climate change and put fisheries social‐ecological systems through “stress tests” that expose both vulnerabilities and resilience. The 2014–16 Northeast Pacific heatwave was the strongest and longest marine heatwave on record and resulted in profound ecological changes that impacted fisheries, fisheries management, and human livelihoods. Here, we synthesize the impacts of the 2014–2016 marine heatwave on US and Canada West Coast fisheries and extract key lessons for preparing global fisheries science, management, and industries for the future. We set the stage with a brief review of the impacts of the heatwave on marine ecosystems and the first systematic analysis of the economic impacts of these changes on commercial and recreational fisheries. We then examine ten key case studies that provide instructive examples of the complex and surprising challenges that heatwaves pose to fisheries social‐ecological systems. These reveal important insights into improving the resilience of monitoring and management and increasing adaptive capacity to future stressors. Key recommendations include: (1) expanding monitoring to enhance mechanistic understanding, provide early warning signals, and improve predictions of impacts; (2) increasing the flexibility, adaptiveness, and inclusiveness of management where possible; (3) using simulation testing to help guide management decisions; and (4) enhancing the adaptive capacity of fishing communities by promoting engagement, flexibility, experimentation, and failsafes. These advancements are important as global fisheries prepare for a changing ocean.
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 | 0,001 |
| 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) | 0,002 | 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 ».