Fishers' Local Ecological Knowledge Reveals Complex Food Web Dynamics With Rapidly Warming Waters
Notice bibliographique
Résumé
ABSTRACT Local ecological knowledge (LEK) can provide insight into ecosystem change, particularly in dynamic ecological conditions, such as those driven by climate change. In New England lobster fisheries, warming waters have the potential to disrupt food webs, as range‐shifting species introduce novel ecological interactions. Here we use interviews with lobster fishers in Maine and Massachusetts to understand lobster fishers' LEK of dynamic food webs, taking a mental modelling approach to construct LEK food web models under rapidly warming waters. We find that fishers are observing a remarkable range of ecological interactions across habitats, collectively reporting knowledge of > 35 species that interact trophically with lobster across larval, juvenile, and adult life stages, ranging from terrestrial species like mink ( Neovison vison ) to deep sea species like redfish ( Sebastes fasciatus ). Our LEK food webs demonstrate perceptions of warming water altering species' abundances and interactions, with an overall negative impact on lobster fisheries. Fishers also report knowledge of complex interactions, including predation, competition, and habitat loss mediated by warming waters and changing species' abundances. Finally, we identify and categorise three main pathways that contribute to fishers' LEK, including observation, word of mouth, and inference. Our findings demonstrate that active fishers have complex understandings of food web interactions in dynamic ecosystems that are changing rapidly. With management unable to keep pace with climate‐driven change, fishers' LEK is an invaluable source of knowledge, whose use could improve the ability to understand the diverse impacts of warming waters on coastal ecosystems.
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 | 0,001 |
| 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) | 0,001 | 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 ».