Food for fish: Challenges and opportunities for quantifying foodscapes in river networks
Notice bibliographique
Résumé
Abstract Riverine fishes face many challenges including habitat degradation and climate change, which alter the productivity of the riverscapes in which fish live, reproduce, and feed. Understanding the watershed portfolio of foraging and growth opportunities that sustain productive and resilient fish populations is important for prioritizing conservation and restoration. However, the spatiotemporal distribution and availability of fish food are poorly understood relative to other factors such as abiotic habitat quantity and quality (e.g., water temperature). In this paper, we build on the concept of “foodscapes,” and describe three components of food for fish, including abundance, accessibility, and quality. We then discuss methodological advances to help address three key questions: (1) Why is food availability hard to estimate? (2) What are the consequences of uncertainty in food availability estimates? and (3) What approaches are available or emerging for quantifying food available to fish? To address the first question, we characterize data acquisition and analytical challenges; for the second, we demonstrate the importance of evaluating and communicating potential consequences of uncertainty; and for the third, we posit opportunities for future work. Collectively, we highlight the need for greater appreciation of the role food plays in stream fish conservation, especially given its critical influence on responses to warming temperatures. This article is categorized under: Water and Life > Nature of Freshwater Ecosystems Water and Life > Conservation, Management, and Awareness Water and Life > Methods
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 | 0,000 |
| 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 ».