Fishers' ecological knowledge points to fishing‐induced changes in the <scp>P</scp>eruvian <scp>A</scp>mazon
Notice bibliographique
Résumé
Scientists increasingly draw on fishers' ecological knowledge (FEK) to gain a better understanding of fish biology and ecology, and inform options for fisheries management. We report on a study of FEK among fishers along the Lower Ucayali River in Peru, a region of exceptional productivity and diversity, which is also a major supplier of fish to the largest city in the Peruvian Amazon. Given a lack of available scientific information on stock status, we sought to identify temporal changes in the composition and size of exploited species by interviewing fishers from 18 communities who vary in years of fishing experience since the mid-1950s. We develop four FEK-based indicators to assess changes in the fish assemblage and compare findings with landings data. We find an intensification of fishing gear deployed over time and spatiotemporal shifts in the fish assemblage and reported declines in species weight, which point to a fishing-down process with declines across multiple species. This finding is reflected in a shifting baseline among our participants, whereby younger generations of fishers have different expectations regarding the distribution and size of species. Our study points to the importance of spillover effects from the nearby Pacaya-Samira National Reserve and community initiatives to support the regional fishery. Reference to fishers' knowledge also suggests that species decline is likely underreported in aggregated landings data. Despite the dynamism and diversity of Amazonian floodplain fisheries, simple FEK-based indicators can provide useful information for understanding fishing-induced changes in the fish assemblage. Fishers hold valuable knowledge for fishery management and conservation initiatives in the region.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,009 |
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 ».