Benefits from removing fouling mussels in suspension oyster aquaculture: An evaluation using farm-scale carbon budget and bivalve growth models
Notice bibliographique
Résumé
We propose a model-based approach to evaluate how effectively removing fouling mussels enhances the growth of cultivated oysters and reduces biodeposition, which could potentially lead to adverse effects on benthic environments in suspension farms. This approach links a simplified model estimating the budget of suspended particulate organic carbon (POC) in a farm with dynamic energy budget models that calculate the growth of cultivated oysters ( Crassostrea gigas ) and fouling mussels ( Mytilus galloprovincialis ). By simulating the effect of mussel removal using hot-water treatment conducted in an oyster farm in northeastern Japan, we estimated that treatment at the 12th month after the start of cultivation would increase the soft body weight of oysters harvested at the 18th month by 11 % compared to the no-treatment case. Mussel removal was also predicted to reduce the bivalves' biodeposition to 19 %. Further estimations across assumed wide ranges of background POC concentrations (up to 1.5 mg-C L −1 ) and fouling-mussel density on cultivated oysters (up to 100 individuals per oyster) indicated that mussel removal more effectively enhanced oyster growth (by over approximately 5 %) in intermediate POC concentrations (0.02 to 0.2 mg L −1 ) and relatively higher mussel densities (>10 individuals). The percentage of reduced biodeposition due to mussel removal was higher in relatively lower POC concentrations. The proposed models can predict the benefits of removing fouling mussels in oyster aquaculture—namely, increased oyster production and reduced environmental impact—considering site-specific conditions. These models can help determine the necessity of costly biofouling controls. • Food competition of cultivated oysters versus fouling mussels was modeled. • Mussel removal enhances oysters' growth by 11 % and reduces total biodeposits by 19 %. • Economic benefit/cost of mussel removal by hot water treatment was estimated at 2.7. • Mussel removal may better enhance oysters' growth in intermediate food level sites. • The proposed model can help to evaluate site-specific need for biofouling removal.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».