Appropriate fishing gears for exploiting Nile Perch, Nile Tilapia and Mukene
Notice bibliographique
Résumé
Catch effort data on which fisheries management regulations are sometimes basedare not available for most lakes in Uganda. However, failure to regulate fishing gearsand methods has been a major cause of collapse of fisheries in the country. Fisherieshave been damaged by destructive and non-selective fishing gears and methods suchas trawling and beach seining, by use of gill nets of mesh size which crop immaturefish and by introduction of mechanised fishing. Selectivity of the gears used to cropLates niloticus L. (Nile perch), Oreochromis niloticus L. (Nile tilapia) and Rastrineobolaargentea (Mukene) which are currently the most important commercial species inUganda were examined in order to recommend the most suitable types, sizes andmethods that should be used in exploiting these fisheries. Gill nets of less than 127mm mainly cropped immature Nile tilapia and Nile perch. To protect these fisheries,the minimum mesh size of gill nets should be set at 127 mm. Seine nets of 5 mm docatch high proportions of immature Mukene while those of 10 mm catch mainly matureMukene. When operated inshore, both sizes catch immature Nile perch and Niletilapia as by-catch. To protect the Mukene fishery and avoid catching immature byecatch,a minimum mesh size of the Mukene net should have been 10 mm operated asLampara type net offshore but since most fishermen have been using the 5 mm seinefor over five years the minimum size should not be allowed to drop below 5 mmpending further thorough investigations. Beach seining, trawling and are destructive tofisheries and should be prohibited until data that may justify their use is available.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».