Global habitat predictions to inform spatiotemporal fisheries management: Initial steps within the framework
Notice bibliographique
Résumé
Tuna Regional Fishery Management Organizations (tRFMOs) are increasingly interested in spatiotemporal management as a tool to reduce interaction rates with vulnerable species. We use blue shark ( Prionace glauca ) as a case study to demonstrate the critical first steps in the implementation process, highlighting how predictions of global habitat for vulnerable life stages can be transformed into a publicly-accessible spatial bycatch mitigation tool. By providing examples of possible management goals and an associated threshold to identify essential habitats, we show how these key areas can represent a relatively low percentage of oceanic area on a monthly basis (16–24% between 50°S and 60°N), yet can have relatively high potential protection efficiency (∼ 42%) for vulnerable stages if fishing effort is redistributed elsewhere. While spatiotemporal management has demonstrable potential for blue sharks to effectively mitigate fishing mortality on sensitive life stages, we identify inherent challenges and sequential steps that require careful consideration by tRFMOs as work proceeds. We also discuss how our single-species framework could be easily extended to a multispecies approach by assigning relative conservation risk before layering habitat model predictions in an integrated analysis. Such broader application of our approach could address the goals of tRFMOs related to reducing the ecosystem effects of fishing and pave the way for efficient fisheries co-management using an ecosystem-based approach.
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 | 0,001 |
| 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) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».