Predicting the distributions of under‐recorded Odonata using species distribution models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. 1. Absences in distributional data may result either from the true absence of a species or from a false absence due to lack of recording effort. I use general linear models (GLMs) and species distribution models (SDMs) to investigate this problem in North American Odonata and present a potential solution. 2. I use multi‐model selection methods based on Akaike’s information criterion to evaluate the ability of water–energy variables, human population density, and recording effort to explain patterns of odonate diversity in the USA and Canada using GLMs. Water–energy variables explain a large proportion of the variance in odonate diversity, but the residuals of these models are significantly related to recorder effort. 3. I then create SDMs for 176 species that are found solely in the USA and Canada using model averaging of eight different methods. These give predictions of hypothetical true distributions of each of the 176 species based on climate variables, which I compare with observed distributions to identify areas where potential under‐recording may occur. 4. Under‐recording appears to be highest in northern Canada, Alaska, and Quebec, as well as the interior of the USA. The proportion of predicted species that have been observed is related to recorder effort and population density. Maps for individual species have been made available online ( http://www.odonatacentral.org/ ) to facilitate recording in the future. 5. This analysis has illustrated a problem with current odonate recording in the form of unbalanced recorder effort. However, the SDM approach also provides the solution, targeting recorder effort in such a way as to maximise returns from limited resources.
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.
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 | 0,001 | 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) | 0,005 | 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 découle