Impact of COVID-19 Lockdown on the Fisheries Sector: A Case Study from Three Harbors in Western India
Notice bibliographique
Résumé
The COVID-19 related lockdowns have brought the planet to a standstill. It has severely shrunk the global economy in the year 2020, including India. The blue economy and especially the small-scale fisheries sector in India have dwindled due to disruptions in the fish catch, market, and supply chain. This research presents the applicability of satellite data to monitor the impact of COVID-19 related lockdown on the Indian fisheries sector. Three harbors namely Mangrol, Veraval, and Vankbara situated on the north-western coast of India were selected in this study based on characteristics like harbor’s age, administrative control, and availability of cloud-free satellite images. To analyze the impact of COVID in the fisheries sector, we utilized high-resolution PlanetScope data for monitoring and comparison of “area under fishing boats” during the pre-lockdown, lockdown, and post-lockdown phases. A support vector machine (SVM) classification algorithm was used to identify the area under the boats. The classification results were complemented with socio-economic data and ground-level information for understanding the impact of the pandemic on the three sites. During the peak of the lockdown, it was found that the “area under fishing boats” near the docks and those parked on the land area increased by 483%, 189%, and 826% at Mangrol, Veraval, and Vanakbara harbor, respectively. After phase-I of lockdown, the number of parked vessels decreased, yet those already moved out to the land area were not returned until the south-west monsoon was over. A quarter of the annual production is estimated to be lost at the three harbors due to lockdown. Our last observation (September 2020) result shows that regular fishing activity has already been re-established in all three locations. PlanetScope data with daily revisit time has a higher potential to be used in the future and can help policymakers in making informed decisions vis-à-vis the fishing industry during an emergency situation like COVID-19.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».