Quantitative analysis of mass mortality events in salmon aquaculture shows increasing scale of fish loss events around the world
Notice bibliographique
Résumé
Globally, salmon aquaculture promises to contribute to sustainable sources of animal protein for a growing human population. However, the growth of the industry also includes increased reports of mass mortality events-disaster events where large numbers of fish die in short periods of time. As salmon production increases in scale and more technology is used to grow salmon in contexts otherwise not suited for them, there is a possibility for more frequent and more severe mortality events. Despite investigations into specific cases of mass mortality events-no global study has been conducted to see if large scale mortality is increasing in frequency and scale. Using a global dataset of publicly available and government-collated data on salmon mortality events including nations responsible for the majority of salmon aquaculture, we document trends in mortality events, showing that in some of the major salmon producing nations of the world (in particular Norway, Canada, and the UK), mass mortality events have increased in frequency from 2012 to 2022. We also show that the scope of mass mortality events has increased over time-that is, the upper bound of how many fish were killed in a specific mortality event has increased over time. Finally, the expected maximum size of a mass mortality event differs from country to country, but is likely much larger than site and jurisdictional thresholds of concern for animal welfare, early warning thresholds, and capacity to respond to mortality events. The consequences of the increased scale and scope of mass mortality events extend past aquaculture production to include severe consequences to aquaculture companies and to coastal communities who depend on aquaculture. Our results agree with predictions of the concept of "manufactured risk", which suggests that risk emerges from the aggressive use of technology to optimize production in variable environments, and we argue that there is a need for more fine-scale and standard data collection on salmon mortality events, and that future investigations into salmon aquaculture should increase focus on disaster potential and realization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».