A quantitative risk assessment approach for longline fishing gear impacts on seafloor habitats
Notice bibliographique
Résumé
Abstract Bottom longline fishing gear used worldwide to capture fish and invertebrate species can impact seafloor habitats, leading to increased use of spatial closures (e.g. Marine Protected Areas) in areas where habitat risks are considered high. However, such closures often rely on limited data, because fishing impacts on habitat are rarely quantified and habitat maps are often unavailable. We demonstrate a quantitative risk assessment framework for habitat impacts from bottom longline trap and hook fisheries and develop species distribution models for coral and sponge habitats, using the British Columbia sablefish fishery as a case study. We estimate a 4.5% (95% confidence interval: 2.8%–6.9%) overall reduction in sponge habitats due to sablefish fishing from 1965 to 2024, compared to pre-fishery levels. Habitat status for 1 km × 1 km grid cells showed similar trends to the overall status, with habitat declines <10% for 89% of the historical fishing grounds assessed. Our analysis provides fine-scale information on habitat distribution and the impacts from sablefish longline trap and hook fishing gear, supporting conservation planning and fisheries management. This risk assessment approach provides a quantitative metric (relative benthic status) for ecosystem objectives focused on fishery impacts on habitat. Such habitat metrics can be incorporated into fisheries management strategy evaluation, allowing resource managers to compare performance of alternative strategies against a broader suite of sustainability objectives that include habitat, fish stocks, and fisheries catch.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».