Algues nuisibles dans les écosystèmes marins
Bibliographic record
Abstract
Les algues nuisibles (AN) sont des espèces de phytoplancton et, dans une moindre mesure, des espèces d’algues sympagiques, susceptibles de nuire aux organismes, aux réseaux alimentaires, aux écosystèmes et à la santé humaine par la production de phycotoxines, l’action mécanique ou l’hypoxie. C’est pourquoi les proliférations d’algues nuisibles (PAN) sont devenues un agent de stress important pour les écosystèmes marins. Les espèces d’AN, les phycotoxines et les PAN dans les trois océans du Canada ont été examinées sur la base de rapports canadiens publiés et non publiés. Une série chronologique de 30 ans de 593 dossiers canadiens (1987 à 2017) provenant de la Harmful Algal Event Database (HAEDAT) a été analysée pour les côtes de l’Atlantique et du Pacifique, et cette analyse a révélé que les PAN récurrentes étaient très répandues. Il n’existe aucun dossier de l’HAEDAT pour l’Arctique. À ce jour, 70 espèces d’AN (dont 45 dans l’Arctique), connues pour avoir causé des PAN ou être associées à celles-ci sur les côtes du Canada ou ailleurs, ont été signalées dans les eaux canadiennes. Un modèle conceptuel de nœud papillon a été élaboré pour servir de cadre afin de relier les causes aux résultats des PAN. Il intègre trois agents naturels et cinq pressions anthropiques émergentes qui influencent l’occurrence des PAN dans les eaux marines canadiennes, et il a été appliqué pour cerner les lacunes dans les connaissances nationales et régionales qui pourraient limiter la capacité de Pêches et Océans Canada (MPO) à gérer les conséquences des PAN, en particulier celles qui sont liées au mandat du MPO. À l’échelle nationale, les principales lacunes en matière de connaissances comprennent une surveillance limitée des AN et une compréhension limitée des effets des pressions anthropiques émergentes particulières qui entraînent des changements dans les espèces d’AN, les phycotoxines et la toxicité des efflorescences. Ces lacunes dans les connaissances empêchent l’élaboration de modèles prédictifs utiles des PAN, ce qui nuit à notre capacité de prévision et d’anticipation ainsi qu’à l’élaboration de stratégies d’atténuation et de prévention. Les renseignements concernant le rôle des changements climatiques sur les PAN, y compris les phénomènes extrêmes et l’acidification des océans, ont été définis comme une lacune importante dans les connaissances au Canada. Des lacunes fondamentales existent dans la région arctique, où l’on manque de données de base sur la présence d’AN et de phycotoxines, ainsi que sur leurs effets sur les espèces et les écosystèmes. Il est essentiel de comprendre les effets (y compris sublétaux et cumulatifs) des AN et des phycotoxines sur la croissance, la physiologie, la reproduction et le comportement du biote marin pour évaluer les effets sur les réseaux alimentaires, les écosystèmes et la santé humaine, ainsi que les conséquences pour les espèces en péril, les mammifères marins, l’aquaculture, la santé des pêcheries et des populations de poissons, la santé des écosystèmes, la sécurité et la sûreté alimentaires. La surveillance du phytoplancton et des phycotoxines doit se poursuivre et être élargie en élaborant de nouvelles méthodes et en utilisant les capacités et les partenariats nouveaux et existants. C’est particulièrement important pour les régions où l’on manque de données, notamment l’Arctique.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".