MétaCan
Menu
Retour à la cohorte
Enregistrement W4396646688 · doi:10.1007/s12237-024-01355-6

Local Watershed Properties Cannot Explain Divergent Dynamics of Pacific Herring in an Urbanizing Estuary

2024· article· en· W4396646688 sur OpenAlexaff
Fabienne Urfer, Timothy E. Essington, Blake E. Feist, Tessa B. Francis

Notice bibliographique

RevueEstuaries and Coasts · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensSimon Fraser University
Organismes subventionnairesCalifornia Department of Fish and WildlifeWashington Sea Grant, University of WashingtonWashington State University
Mots-clésPacific herringImpervious surfaceWatershedEstuaryLand coverEnvironmental scienceStock (firearms)GeographyLand useSound (geography)PopulationFisheryClupeaEcologyHerringOceanographyBiologyGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Pacific herring ( Clupea pallasii ) is a foundational species in Puget Sound (Washington State, U.S.A.) and is subject to many anthropogenic threats. We assessed the overall status of the Puget Sound Pacific herring sub-stock complex and asked whether watersheds with less urban or agricultural land cover, less impervious surface, and lower human density were associated with better stock status. To this end, we developed multiple metrics of sub-stock population status; characterized watershed properties with respect to land use/land cover, percent impervious surfaces, and human density; and used statistical model selection to evaluate the weight of evidence in support of our hypotheses. Overall, the status of sub-stocks was poor; metrics for most sub-stocks indicate a decline from 1996–2021. However, the status metrics of sub-stocks were not related to recent (2016) watershed characteristics or the rate of change in watershed characteristics from the mid-1990s to 2016. While the cumulative effects of local human land use throughout Puget Sound may be contributing to the deterioration of spawning biomass, these results also suggest that other drivers that operate at larger scales (e.g., predation, disease, climate) are likely important.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,543
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,017
Tête enseignante GPT0,220
Écart entre enseignants0,202 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEstuaries and CoastsMême sujetMarine and fisheries researchTravaux en français237 207