MétaCan
Menu
Retour à la cohorte
Enregistrement W4406525686 · doi:10.1038/s43247-024-01851-4

Introducing maximum sustainable yield targets in fisheries could enhance global food security

2025· article· en· W4406525686 sur OpenAlexfundno aff
Christian Elleby, Ignácio Pérez Domínguez, Rasmus Nielsen, Max Nielsen, Ayoe Hoff

Notice bibliographique

RevueCommunications Earth & Environment · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensnon disponible
Organismes subventionnairesFisheries and Oceans CanadaEuropean Commission
Mots-clésFood securityYield (engineering)Maximum sustainable yieldFisheryNatural resource economicsBusinessSustainable agricultureEnvironmental scienceAgricultural economicsFisheries managementSustainabilityEconomicsFishingAgricultureEcologyBiologyMaterials science

Résumé

récupéré en direct d'OpenAlex

Abstract Aquatic foods are crucial for global food and nutrition security, but overfishing has led to depleted fish stocks, threatening both food security and the environment. Here, we combine a fish stock model with a global agriculture and food market model in order to analyze scenarios involving a continuation of current fishing trends versus optimal management through maximum sustainable yield targets. Maximum sustainable yield management of overfished stocks could increase yields by 10.6 Megatons, equivalent to 12% of total catches and 6% of aquatic animal production in 2022. This would alleviate the need for aquaculture expansion by an equivalent of 3 years of growth in the aquaculture sector at its current level, and reduce meat and feed demand. Lower food prices and additional supply could enhance global food security. Conversely, continued overfishing will likely lead to lower catches over time, adding pressure to the agricultural and aquaculture sectors. Although maximum sustainable yield management is not a panacea, it represents a positive step towards achieving sustainable food production.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,888
Score d'incertitude au seuil0,996

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 technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,014
Tête enseignante GPT0,254
Écart entre enseignants0,240 · 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.

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

Citations7
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunications Earth & EnvironmentMême sujetMarine and fisheries researchTravaux en français237 207