THE IMPACT OF OVERFISHING OF BIGEYE TUNA (THUNNUS OBESUS) POPULATIONS ON THE BALANCE OF THE INDONESIAN MARINE ECOSYSTEM: A LITERATURE STUDY IN THE BANDA SEA
Notice bibliographique
Résumé
Indonesia has a sea area of approximately 3.1 km2 including inland areas, archipelagic waters, territorial seas, the Exclusive Economic Zone. The length of Indonesia's coastline is estimated at around 54,716 km, making Indonesia the country with the second longest coastline after Canada. The length of this coastline reflects the diversity and richness of marine ecosystems in Indonesia and is rich in abundant fishery resources, one of which is bigeye tuna (Thunnus Obesus). The research method used in this article is a literature review which includes a comprehensive review of various scientific sources, research reports, and statistical data related to the impact of overfishing of bigeye tuna on the balance of the Indonesian marine ecosystem, especially in the Banda Sea. Overfishing practices have caused a decline in the population of this fish, with a significant impact on the balance of the marine ecosystem in the Banda Sea. Unsustainable fishing practices, the use of destructive fishing gear, and minimal supervision and law enforcement against illegal fishing practices have contributed to the decline in the population of bigeye tuna (Thunnus Obesus). The impacts of overfishing of bigeye tuna (Thunnus Obesus) are: Drastic Decrease in Tuna Population, Food Chain Imbalance, Impact on Other Species, Marine Habitat Damage, and Biodiversity Decline, thus becoming a national and global threat. To overcome the impacts of overfishing of bigeye tuna in the Banda Sea, it is necessary to set strict catch quotas, stricter supervision and law enforcement, use of environmentally friendly fishing gear, restoration of damaged marine habitats
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) | 0,000 | 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 ».