Integrating stream bioassessment and landscape ecology as a tool for land use planning
Notice bibliographique
Résumé
Summary 1. Bioassessment has evolved significantly from a method of deciding whether an ecosystem exposed to stressors should ‘pass’ or ‘fail’ (or how badly it fails). Society wants some notion of what has caused any observed degradation of ecosystems, and what management strategies might improve degraded ecosystems. Managers also want to predict what negative or positive effects different land use strategies will have on the component ecosystems of a landscape, including lakes and streams. 2. Here we illustrate an approach to providing these tools to managers with data from a bioassessment study of streams in the Fraser River Basin of British Columbia, Canada. 3. Landscape scale descriptors of both the natural (e.g. catchment size, surficial geology) and stressor (e.g. hard rock mines, forest harvest) environment of each site were used to define the natural and stressor environments of each of the 242 stream sites. 4. We classified 206 reference (relatively unexposed to human activity) sites using their benthic macroinvertebrate community composition, and then discriminated among the faunally defined groups with landscape scale descriptors of the natural environment of the sites. 5. This discriminant function model allowed us to predict which group each of the test sites would be in if it were in reference condition, and then measure the relationship between the amount of human activity and the biota in each of these groups. 6. These relationships were turned into projections of what will happen to a stream ecosystem's biota if the stressor environment is either improved or degraded. These projection models form the basis of evidence‐based land use planning that takes into account the health of freshwater ecosystems.
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) | 0,002 | 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 ».