MétaCan
Menu
Retour à la cohorte
Enregistrement W4402592074 · doi:10.3389/fmars.2024.1405303

Potential nutrient, carbon and fisheries impacts of large-scale seaweed and shellfish aquaculture in Europe evaluated using operational oceanographic model outputs

2024· article· en· W4402592074 sur OpenAlexaff
Martin Johnson, Quentin Jutard, Maël Jaouen, Nikolai Maltsev, Margaux Boyer, Chloé Guillerme, D. McElligott, Simona Paolacci, Julie Maguire, Antoine Mangin, Philippe Bryère

Notice bibliographique

RevueFrontiers in Marine Science · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine Bivalve and Aquaculture Studies
Établissements canadiensOptech (Canada)
Organismes subventionnairesDirectorate-General for Maritime Affairs and FisheriesExecutive Agency for Small and Medium-sized EnterprisesEuropean CommissionEuropean Climate, Infrastructure and Environment Executive Agency
Mots-clésFisheryAquacultureShellfishEnvironmental scienceNutrientOceanographyScale (ratio)Fish <Actinopterygii>GeographyEcologyAquatic animalBiologyGeology

Résumé

récupéré en direct d'OpenAlex

Large-scale seaweed and shellfish aquaculture are increasingly being considered by policymakers as a source of food, animal feed and bioproducts for Europe. These aquacultures are generally thought to be low impact or even beneficial for marine ecosystems as they are ‘extractive’ – i.e., growing passively on foodstuff already available in seawater, and with potential habitat provision, fisheries, climate mitigation and eutrophication mitigation benefits. At some scale however, over-extraction of nutrients or chlorophyll could potentially have a negative effect on natural systems. Understanding the likely impacts of aquaculture production at scale is important to identify when safe limits are being approached. Taking seaweed aquaculture as the primary focus, this work uses operational oceanographic model outputs to drive prognostic growth models to predict the likely optimal distribution of seaweed farms across European waters to meet different production scenarios. A novel nutrient transport scheme is then used to model the interacting ‘footprints’ of nutrient drawdown from aquaculture facilities to demonstrate the likely spatial impact of large-scale aquaculture. Evaluation of both seaweed and shellfish contributions to CO2 balance under large scale production, and the potential impact on fisheries are also considered. The study finds that the impact of intensive seaweed aquaculture on nutrient availability could be significant where many farms are placed close together; but at the regional/basin scale even the highest level of production considered does not significantly impact total nutrient budgets. Seaweed aquaculture has the potential to extract large amounts of carbon dioxide, but the impact on carbon budgets depends on the end-use of the extracted seaweed. Shellfish aquaculture is a net source of CO2 due to the impact of calcification of shells on the carbonate system (i.e., alkalinity removal). However, gram-for-gram the CO2 impact of shellfish production is likely to be less than the impact of land-based meat production. Whilst operational oceanographic models are useful for taking a ‘broad brush’ approach to likely placement and impacts of aquaculture, reliable yield predictions for individual locations across European waters would require models integrating more physical and biogeochemical factors (wave environment, local currents, riverine inputs) at a finer scale than currently achievable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,078
Score d'incertitude au seuil0,155

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,008
Tête enseignante GPT0,241
Écart entre enseignants0,233 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Marine ScienceMême sujetMarine Bivalve and Aquaculture StudiesTravaux en français237 207