The impact of tropical cyclones on fishing boats from a global perspective
Notice bibliographique
Résumé
This study quantifies the impact of tropical cyclones on fishing boat activity using satellite imagery and tropical cyclone data from 2012 to 2023 across 42 countries. Kernel density estimation identifies key fishing grounds, and impacts are assessed through Generalized Linear Mixed Models. The results reveal significant regional variation in tropical cyclone impacts on fishing activities, with wind speed effects ranging from − 1.17% to + 0.50% change in boat numbers per knot increase. Negative impacts on fishing grounds were mostly in Southeast Asian waters, particularly Indonesia (− 1.22%), the Philippines (− 0.82%), and Myanmar (-0.58%), while positive effects were observed in some fishing grounds of China (+ 0.45%) and Canada (+ 0.45%). Future projections based on predicted cyclone intensification suggest that the Marshall Islands and Vanuatu will experience the highest negative outcomes (− 1.96% and − 1.93%, respectively). The North and South Indian Oceans and the Southwest Pacific reveal overall negative effects across all countries. While North Atlantic countries show consistent positive impact, Northwest countries show mixed impacts. Between 2012 and 2023, countries like Japan, China, and the Philippines recorded the highest total number of TC-affected days, with 205, 188, and 129 days, respectively, highlighting the prolonged disruptions to fishing activities in the Northwest Pacific region.
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 | 0,001 |
| 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 ».