A data‐driven approach to multiple‐stressor impact assessment for a marine protected area
Notice bibliographique
Résumé
The coastal environment is not managed in a way that considers the impact of cumulative threats, despite being subject to threats from all realms (marine, land, and atmosphere). Relationships between threats and species are often nonlinear; thus, current (linear) approaches to estimating the impact of threats may be misleading. We developed a data-driven approach to assessing cumulative impacts on ecosystems and applied it to explore nonlinear relationships between threats and a temperate reef fish community. We used data on water quality, commercial fishing, climate change, and indicators of recreational fishing and urbanization to build a cumulative threat map of the northern region in New South Wales, Australia. We used statistical models of fish abundance to quantify associations among threats and biophysical covariates and predicted where cumulative impacts are likely to have the greatest impact on fish. We also assessed the performance of no-take zones (NTZs), to protect fish from cumulative threats across 2 marine protected area networks (marine parks). Fishing had a greater impact on fish than water quality threats (i.e., percent increase above the mean for invertivores was 337% when fishing was removed and was 11% above the mean when water quality was removed inside NTZs), and fishing outside NTZs affected fish abundances inside NTZs. Quantifying the spatial influence of multiple threats enables managers to understand the multitude of management actions required to address threats.
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) | 0,000 | 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 ».