An Integrated Global‐To‐Regional Scale Workflow for Simulating Climate Change Impacts on Marine Ecosystems
Notice bibliographique
Résumé
Abstract As the urgency to evaluate the impacts of climate change on marine ecosystems increases, there is a need to develop robust projections and improve the uptake of ecosystem model outputs in policy and planning. Standardizing input and output data is a crucial step in evaluating and communicating results, but can be challenging when using models with diverse structures, assumptions, and outputs that address region‐specific issues. We developed an implementation framework and workflow to standardize the climate and fishing forcings used by regional models contributing to the Fisheries and Marine Ecosystem Model Intercomparison Project (FishMIP) and to facilitate comparative analyses across models and a wide range of regions, in line with the FishMIP 3a protocol. We applied our workflow to three case study areas‐models: the Baltic Sea Mizer, Hawai'i‐based Longline fisheries therMizer, and the southern Benguela ecosystem Atlantis marine ecosystem models. We then selected the most challenging steps of the workflow and illustrated their implementation in different model types and regions. Our workflow is adaptable across a wide range of regional models, from non‐spatially explicit to spatially explicit and fully‐depth resolved models and models that include one or several fishing fleets. This workflow will facilitate the development of regional marine ecosystem model ensembles and enhance future research on marine ecosystem model development and applications, model evaluation and benchmarking, and global‐to‐regional model comparisons.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».