MétaCan
Menu
Retour à la cohorte
Enregistrement W4409723413 · doi:10.1126/sciadv.adr6921

Spatial distribution of fishmeal and fish oil factories around the globe

2025· article· en· W4409723413 sur OpenAlexaff
Lauren A. Shea, Colette C. C. Wabnitz, William W. L. Cheung, Daniel Pauly, U. Rashid Sumaila

Notice bibliographique

RevueScience Advances · 2025
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAquaculture Nutrition and Growth
Établissements canadiensUniversity of British ColumbiaFisheries and Oceans Canada
Organismes subventionnairesGordon and Betty Moore Foundation
Mots-clésBusinessProduction (economics)GlobeEcological footprintProductivityDistribution (mathematics)AquacultureFactory (object-oriented programming)Resource (disambiguation)Supply chainEnvironmental resource managementFish <Actinopterygii>FisheryNatural resource economicsIndustrial organizationEnvironmental scienceSustainable developmentMarketingComputer scienceEcologyEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Fishmeal and fish oil (FMFO) are critical inputs for the compound aquatic feeds sustaining the fed aquaculture sector, yet there is limited publicly available information on the location of FMFO production factories around the globe. This makes it difficult to assess the environmental, social, and economic impacts of individual factories and the industry's footprint as a whole. To fill this knowledge gap, we compiled location data for FMFO factories across 63 producing countries. We identified 506 factories owned and/or operated by 413 companies. We provide an open-source database that includes FMFO factory locations, company names, and raw material types. This study offers a first look at the spatial distribution of the FMFO industry and serves as a valuable resource for marine resource managers and policymakers. Knowing the locations of factories and where FMFO production is concentrated can inform the development of cooperative national and international policies to ensure environmentally and socially responsible standards.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,736
Score d'incertitude au seuil0,316

Scores Codex et Gemma par catégorie

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

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 Opus0,010
Tête enseignante GPT0,244
Écart entre enseignants0,234 · 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 tête enseignante, 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

Citations12
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetAquaculture Nutrition and GrowthTravaux en français237 207