MétaCan
Menu
Retour à la cohorte
Enregistrement W4385971172 · doi:10.1126/sciadv.adg5468

Species redistribution creates unequal outcomes for multispecies fisheries under projected climate change

2023· article· en· W4385971172 sur OpenAlexaff
Owen R. Liu, Eric J. Ward, Sean C. Anderson, Kelly S. Andrews, Lewis A. K. Barnett, Stephanie Brodie, Gemma Carroll, Jérôme Fiechter, Melissa A. Haltuch, Chris J. Harvey, Elliott L. Hazen, Pierre‐Yves Hernvann, Michael G. Jacox, Isaac C. Kaplan, Sean E. Matson, Karma Norman, Mercedes Pozo Buil, Rebecca L. Selden, Andrew O. Shelton, Jameal F. Samhouri

Notice bibliographique

RevueScience Advances · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensFisheries and Oceans Canada
Organismes subventionnairesNational Oceanic and Atmospheric Administration
Mots-clésFishingClimate changeLivelihoodEcologySpecies distributionSpatial ecologyFisheryFutures studiesAdaptation (eye)GeographyBiologyHabitat

Résumé

récupéré en direct d'OpenAlex

Climate change drives species distribution shifts, affecting the availability of resources people rely upon for food and livelihoods. These impacts are complex, manifest at local scales, and have diverse effects across multiple species. However, for wild capture fisheries, current understanding is dominated by predictions for individual species at coarse spatial scales. We show that species-specific responses to localized environmental changes will alter the collection of co-occurring species within established fishing footprints along the U.S. West Coast. We demonstrate that availability of the most economically valuable, primary target species is highly likely to decline coastwide in response to warming and reduced oxygen concentrations, while availability of the most abundant, secondary target species will potentially increase. A spatial reshuffling of primary and secondary target species suggests regionally heterogeneous opportunities for fishers to adapt by changing where or what they fish. Developing foresight into the collective responses of species at local scales will enable more effective and tangible adaptation pathways for fishing communities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,172
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,002
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,069
Tête enseignante GPT0,333
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetMarine and fisheries researchTravaux en français237 207