Mapping uncertainty: sensitivity of wildlife habitat ratings to expert opinion
Notice bibliographique
Résumé
Summary Expert opinion is frequently called upon by natural resource and conservation professionals to aid decision making. Where species are difficult or expensive to monitor, expert knowledge often serves as the foundation for habitat suitability models and resulting maps. Despite the long history and widespread use of expert‐based models, there has been little recognition or assessment of uncertainty in predictions. Across British Columbia, Canada, expert‐based habitat suitability models help guide resource planning and development. We used Monte Carlo simulations to identify the most sensitive parameters in a wildlife habitat ratings model, the precision of ratings for a number of ecosystem units, and variation in the total area of high‐quality habitats due to uncertainty in expert opinion. The greatest uncertainty in habitat ratings resulted from simulations conducted using a uniform distribution and a standard deviation calculated from the range of possible scores for the model attributes. For most ecological units, the mean score, following 1000 simulations, varied considerably from the reported value. When applied across the study area, assumed variation in expert opinion resulted in dramatic decreases in the geographical area of high‐ (−85%) and moderately high‐quality habitats (−68%). The majority of habitat polygons could vary by up to one class (85%) with smaller percentages varying by up to two classes (9%) or retaining their original rank (7%). Our model was based on only four parameters, but no variable consistently accounted for the majority of uncertainty across the study area. Synthesis and applications . We illustrated the power of uncertainty and sensitivity analyses to improve or assess the reliability of predictive species distribution models. Results from our case study suggest that even simple expert‐based predictive models can be sensitive to variation in opinion. The magnitude of uncertainty that is tolerable to decision making, however, will vary depending on the application of the model. When presented as error bounds for individual predictions or maps of uncertainty across landscapes, estimates of uncertainty allow managers and conservation professionals to determine if the model and input data reliably support their particular decision‐making process.
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 | 0,001 | 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) | 0,003 | 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 ».