MétaCan
Menu
← Back to cohort
Record W7133274080

Évaluation du crabe des neiges des divisions 2HJ3KLNOP4R en 2022

2023· other· fr· W7133274080 on OpenAlexaboutno aff
Pêches et Océans Canada, Fisheries and Oceans Canada

Bibliographic record

VenueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada · 2023
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsWestern europeRail transportation
DOInot available

Abstract

fetched live from OpenAlex

Globalement – Divisions 2HJ3KNLNOP4R Le relevé au chalut du MPO n’ayant pas eu lieu en 2022, la série chronologique du relevé au chalut a été utilisée pour évaluer la situation en 2022. La biomasse exploitable globale est passée d’un niveau historiquement faible en 2016 à 2018 à un niveau proche de la moyenne à long terme, au cours des deux dernières années. Les indices du taux d’exploitation (ITE) des pêches étaient de modérés à faibles dans la plupart des divisions d’évaluation (DE), ces dernières années. Des prélèvements identiques réduiraient ou maintiendraient l’indice du taux d’exploitation dans toutes les divisions d’évaluation en 2023. Avec le statu quo des prélèvements en 2023, toutes les divisions d’évaluation devraient se trouver dans la zone saine du cadre de l’approche de précaution, à l’exception de 2HJ, qui devrait se trouver dans la zone de prudence. L’insuffisance des données récentes et actuelles a entraîné l’exclusion de la DE 4R3Pn dans le cadre de l’approche de précaution. Tant les indices de prise avant recrutement que les prédictions du modèle relatives à la biomasse exploitable basées sur des variables climatiques indiquent que la productivité pour les trois à cinq prochaines années pourrait rester similaire aux niveaux actuels. Le stock de la DE 2HJ suscite une inquiétude particulière depuis quelques années. Les indicateurs des pêches et de la biomasse laissent entrevoir quelques améliorations en 2022, mais certains indicateurs clés n’ont pas pu être actualisés dans le cadre de la présente évaluation. Environnement et écosystème L’indice climatique de Terre-Neuve-et-Labrador montre une tendance au réchauffement depuis 2018, avec une année chaude record en 2021. Les conditions générales des trois dernières années indiquent une amélioration de la productivité aux niveaux trophiques inférieurs dans la biorégion de Terre-Neuve-et-Labrador (2HJ3KLNOPs). Il s’agit notamment d’efflorescences phytoplanctoniques plus précoces, de concentrations de chlorophylle plus élevées et d’une biomasse zooplanctonique accrue avec une plus grande abondance de copépodes Calanus, plus grands et plus riches en énergie. Les écosystèmes de la biorégion de Terre-Neuve-et-Labrador continuent de connaître des conditions de faible productivité globale, avec une biomasse totale bien inférieure aux niveaux d’avant l’effondrement. Alors que la communauté de poissons est revenue à une structure dominée par les poissons à nageoires, le rétablissement des poissons de fond s’est arrêté au milieu des années 2010, période pendant laquelle des déclins de biomasse ont été observés. Au cours des dernières années pour lesquelles des données sont disponibles (2019 à 2021), les indicateurs de l’écosystème (par exemple, les tendances de la biomasse, les poids du contenu stomacal) semblaient s’améliorer, mais l’absence d’études en 2022 a empêché l’évaluation de ces tendances dans l’évaluation actuelle. La mortalité du crabe des neiges liée à la prédation a diminué dans toutes les unités écosystémiques par rapport aux valeurs maximales observées au milieu et à la fin des années 2010. Les valeurs les plus récentes de l’indice de mortalité liée à la prédation des poissons (2019 à 2021) étaient les plus élevées dans la division 2J3K et les plus basses dans la division 3LNO, avec des valeurs intermédiaires dans la division 3Ps.

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 imitation

Not 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.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.004
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.956
Threshold uncertainty score0.088

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0030.004
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0030.003
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.002
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0050.002

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.

Opus teacher head0.020
GPT teacher head0.251
Teacher spread0.231 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueFederal Open Science Repository of Canada / Le Dépôt fédéral de science ouverte du Canada→French-language works237,207→