Developing a collaborative Dungeness crab larval monitoring network in the Salish Sea to provide long-term, fishery-relevant data
Notice bibliographique
Résumé
Abstract Many natural resources are managed without essential, biologically relevant data. Fisheries are particularly susceptible to this reality and, thus, are vulnerable to environmental changes and disturbances, with both human livelihoods and the health of ecological systems at stake. Here, we explore how the Pacific Northwest Crab Research Group (PCRG) employs a collaborative, stakeholder-driven approach to generate the information needed to inform a data-poor, co-managed fishery, using the example of Dungeness crab Metacarcinus magister in the northeastern Pacific’s Salish Sea. We focus on the PCRG larval crab monitoring network as a multifaceted case study, which unites tribal, state, and federal governments, nongovernmental organizations, academic institutions, and local communities working to produce the first standardized continuous data set on Dungeness crab larval dynamics in the region. Highlighting the types of biological data collected, including spatial and temporal patterns of larval flux and larval size, we explore the application of novel data to fisheries management, as well as the network’s contribution to a diversity of educational opportunities and ability to leverage new research projects and collaborations. The success of PCRG’s larval crab monitoring network ultimately highlights the effectiveness of a cooperative, network-based approach in addressing fisheries management challenges and offers a viable model for managing data-poor systems worldwide.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».