The importance of fleet definition for estimating economic exposure of the summer flounder fishery to offshore wind farms
Notice bibliographique
Résumé
Abstract As offshore wind development continues across the globe, accurate spatial data are required to characterize fishing activity, inform wind farm siting decisions, and estimate economic exposure. We assess the influence of fishing behavior and fleet definition within a multispecies fishery on coarse (logbook-based) footprint biases using a precise (GPS-based) approach. We constructed precise footprints for 838 trips that caught summer flounder (Paralichthys dentatus) trips and 1439 trips that caught any species in the Summer Flounder, Scup (Stenotomus chrysops), and Black Sea Bass (Centropristis striata) Fishery Management Plan from 2016 to 2021. Using the precise footprints as a ground truth, we compared the intersections and estimated economic exposure between coarse footprints (restricted to the 90th, 75th, 50th, and 25th percentiles) for 37 wind farms in the northeast USA. Unrestricted coarse footprints (90th percentile) consistently identified all “true” intersections with wind farms while also overestimating economic exposure. For the multispecies fisheries, restricting footprints between 25th and 50th percentile yielded the most accurate estimates of economic exposure. This contrasts previous work that found the 25th percentile was most accurate for the targeted longfin squid (Doryteuthis pealeii) fishery, highlighting the importance of fleet definition in this process. Replicating this approach for other fisheries will allow development of a tool to accurately estimate economic exposure by restricting coarse footprints in the absence of fine-scale data.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».