Overview of elasmobranch fisheries of West \nBengal in 2018
Notice bibliographique
Résumé
Elasmobranch fishery of West Bengal comprises of sharks, rays, guitarfishes and skates. Due to demand in the national and international market, the fishery has gained importance though it is not a targeted resource. The \ncatch data showed that the fishery is in a declining phase since 2016. The estimated landing of elasmobranchs \n(3799 tonnes) has shown a further decrease of 12.6% during 2018 in West Bengal compared to 2017. Sharks form the major portion (48%) of the elasmobranch fishery followed by rays (40%) and guitarfishes (12%) during \n2108 in West Bengal. The fishery flourished more during the first (January-March) and last quarter (October- \nDecember)of the year. Maximum catch of sharks have been observed in October followed by February. The \ngear-wise landings of sharks showed that multiday trawlers contributed 81% of the shark landings followed \nby mechanized gill netters (17%) and the remaining 2% by inboard gill netters. Maximum catch of rays have \nbeen observed during June followed by January and October. The rays were mainly exploited by trawlers (76%) followed by hook and lines (15%) and gill netters (8%). Maximum catch of guitarfishes was observed during \nJanuary followed by August and February. Guitarfishes are landed mostly by trawlers (91%) followed by gill nets (9%). The elasmobranch resources in West Bengal are very diverse in nature. However, there is a continuous \ndecline in the landings which could be detrimental in future if the resources are not managed properly. Hence, it is recommended to follow good management practices to ensure long term sustainability of the resources.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,010 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».