MétaCan
Menu
← Retour à la cohorte
Enregistrement W4409541338 · doi:10.1139/cjfas-2024-0325

Mobile bottom fishing in the Canadian Pacific and Atlantic causes disturbance and risk to remineralisation of seabed sediment carbon stocks

2025· article· en· W4409541338 sur OpenAlexafffundvenueabout
Graham Epstein, Susanna Fuller, Lauren Gullage, Julia K. Baum

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensFisheries and Oceans CanadaUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésRemineralisationOceanographySedimentFishingSeabedEnvironmental scienceDisturbance (geology)FisheryCarbon cycleGeologyEcologyEcosystemBiologyChemistryGeomorphology

Résumé

récupéré en direct d'OpenAlex

Mobile bottom fishing causes substantial disturbances to seabed sediments–one of the world’s largest organic carbon stores. We estimate that 2.1 and 32.0 Mt of carbon is disturbed by annual fishing activities in the Canadian Pacific and Atlantic, respectively. A net increase in carbon remineralisation from this disturbance could negatively impact the oceanic sink for CO2. Due to high uncertainty in estimating the scale of remineralisation, we construct a semiquantitative measure of relative carbon risk to describe potential differences between locations and fisheries. In the Pacific, shrimp trawling caused the largest total carbon disturbance and risk; groundfish trawling had large total disturbance but lowest mean disturbance and risk per unit effort (PUE); scallop dredging had the smallest total impacts but highest disturbance and risk PUE. In the Atlantic, shrimp trawling dominated total impacts; however, mean disturbance PUE was highest for scallop and clam dredging, and mean risk PUE was highest for groundfish trawling. High spatial variation in these results would allow a targeted management approach. While uncertainties remain, precautionary risk-based ecosystem management should be implemented.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,232
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetMarine and fisheries research→Travaux en français237 207→