Gestion des poissons d’eau douce et migrateurs dans le Saint-Laurent : mandats, enjeux et perspectives
Bibliographic record
Abstract
Bien que la pêche soit très présente dans la culture québécoise, la gestion et la conservation des poissons d’eau douce et des poissons migrateurs du Saint-Laurent sont peu connues du public. L’objectif de cet article est de présenter les acteurs, le cadre législatif et les pratiques de gestion applicables à ces espèces dans les eaux douces et saumâtres du Saint-Laurent. La croissance des usages du territoire québécois, déjà nombreux, génère des pressions grandissantes sur la faune et les habitats du Saint-Laurent. Cette réalité force à sortir des modèles classiques de gestion et à recourir à des approches globales nécessitant de protéger des habitats multi spécifiques plutôt qu’une espèce en particulier, et d’impliquer des intervenants provenant, entre autres, des domaines agricole, industriel et municipal. Dans le futur, les principaux défis consisteront à rassembler les acteurs liés au Saint-Laurent autour des cibles communes de restauration et de mise en valeur, de maintenir une expertise de pointe et de continuer à appuyer la gestion de la faune aquatique sur des données scientifiques rigoureuses. Dans un contexte de changements climatiques, où la menace liée aux espèces exotiques envahissantes et les pressions de diverses natures sont exercées sur les habitats, il sera primordial d’appliquer une gestion proactive en déployant les mesures nécessaires dès que l’état de situation d’une espèce le suggérera. L’état précaire de certaines populations, comme la perchaude du lac Saint-Pierre, doit d’ailleurs être interprété comme un indicateur parmi d’autres de la détérioration de certaines fonctions de l’écosystème exceptionnel que représente le Saint-Laurent et des défis qui devront être relevés dans le futur. Tous les défis ne sont cependant pas associés à des situations de déclins. Les exemples de la réintroduction du bar rayé et du rétablissement de l’esturgeon jaune démontrent, lorsque des mesures de gestion adéquates sont prises, que le système peut être résilient et que le futur peut être prometteur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".