Retention Bans Are Beneficial but Insufficient to Stop Shark Overfishing
Notice bibliographique
Résumé
ABSTRACT Sharks are among the most threatened groups of exploited fishes, comprising common bycatch across many fisheries. Management efforts intended to safeguard threatened species have increasingly focused on retention bans to reduce bycatch mortality. However, the population effects of such measures remain unevaluated across species. We combined available data from 160 studies providing estimates of at‐vessel or post‐release mortality for 147 taxa caught by different fishing gears to create random‐forest regression models and predict mortality rates for 341 shark species incidentally captured by longlines or gillnets. Smaller‐bodied species inhabiting shallow waters were more likely to suffer at‐vessel mortality compared to their deep‐water counterparts, for which post‐release mortality was more likely to occur. We then used results for longlines to simulate the effect of retention bans in reducing fishing mortality to sustainable levels. Our metric consists of the ratio between the proportion of each species' population caught and discarded ( P MAX ) under a retention ban divided by the fishing mortality ( F ) predicted to achieve maximum sustainable yield ( F MSY ). Our calculations show that a retention ban yielded an average ~ three‐fold higher P MAX compared to F MSY , with 18% of the species having P MAX /F MSY < 2, 72.3% having 2 < P MAX /F MSY < 5, and 9.7% having P MAX /F MSY > 5. For threatened species, median P MAX /F MSY = 2.28 and non‐threatened ones had median P MAX /F MSY = 2.77. Our study shows that retention bans could reduce shark mortality, but must be combined with additional measures to stop overfishing, especially for low‐productivity species.
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 | 0,000 |
| 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) | 0,001 | 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 ».