The effect of cost surface parameterization on landscape resistance estimates
Notice bibliographique
Résumé
A cost or resistance surface is a representation of a landscape's permeability to animal movement or gene flow and is a tool for measuring functional connectivity in landscape ecology and genetics studies. Parameterizing cost surfaces by assigning weights to different landscape elements has been challenging however, because true costs are rarely known; thus, expert opinion is often used to derive relative weights. Assigning weights would be made easier if the sensitivity of different landscape resistance estimates to relative costs was known. We carried out a sensitivity analysis of three methods to parameterize a cost surface and two models of landscape permeability: least cost path and effective resistance. We found two qualitatively different responses to varying cost weights: linear and asymptotic changes. The most sensitive models (i.e. those leading to linear change) were accumulated least cost and effective resistance estimates on a surface coded as resistance (i.e. where high-quality elements were held constant at a low-value, and low-quality elements were varied at higher values). All other cost surface scenarios led to asymptotic change. Developing a cost surface that produces a linear response of landscape resistance estimates to cost weight variation will improve the accuracy of functional connectivity estimates, especially when cost weights are selected through statistical model fitting procedures. On the other hand, for studies where cost weights are unknown and model selection is not being used, methods where resistance estimates vary asymptotically with cost weights may be more appropriate, because of their relative insensitivity to parameterization.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».