Enhanced data collection in the Canadian Arctic for seabird bycatch information yields highly variable results
Notice bibliographique
Résumé
Incidental catch of seabirds (bycatch) in fisheries has been identified as a major threat to the conservation of seabird populations. Acquiring accurate, detailed data on seabird bycatch is an ongoing challenge to effective integrated ecosystem management of commercial fisheries. To collect detailed data on seabird bycatch in the Greenland halibut ( Reinhardtius hippoglossoides Walbaum, 1792) fishery in northern Canada, we applied two voluntary effort methods with industry partners that asked for additional, detailed information about the nature of the interactions between seabirds and the fishing gear than the data standardly reported in the fishery. We found that the amount of bird bycatch reported in both enhanced datasheets completed by at-sea observers (ASOs) and carcass collections yielded different results when compared to the typical seabird bycatch reporting in the fisheries ASO database. Across three years of data collection (2016, 2018, and 2019), the number of seabirds reported using the enhanced data collection methods were 0.5–11-fold the number from typical ASO database values. We then used these data to model how the differences between data sources may fluctuate across years. These large discrepancies between the methods highlight the challenges with obtaining accurate seabird bycatch data needed to implement a meaningful ecosystem approach to the management.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».