Pathway‐level models to predict non‐indigenous species establishment using propagule pressure, environmental tolerance and trait data
Notice bibliographique
Résumé
Summary Non‐indigenous species (NIS) establishments are a growing concern. Current quantitative methods for NIS risk assessment generally focus on only one species or only one of the main drivers of establishment [propagule pressure (PP), environmental suitability, or species' traits]. There is a need for quantitative models that estimate establishment probability for species at the pathway level; models would be particularly relevant if they could utilize available data, combine multiple predictors and were made accessible to managers. We present and evaluate methodology that uses establishment data, PP proxy data and any available trait data for the suite of species present in an introduction pathway to generate a joint pathway‐level establishment model where species' establishment probabilities are influenced by their traits and environmental tolerances. The consequence of using our joint model is that if traits are predictive and species differ in the number of propagules needed to establish, a family of species‐specific PP‐establishment curves is estimated. Theoretical results revealed that our model performs well and makes accurate predictions even when trait data are incomplete and/or extraneous data are used in fitting. An empirical analysis of freshwater fish introductions to the United States identified species that have a high chance of establishment. The inclusion of species' trait and environmental data significantly improved upon predictions made with a PP‐only model. Further, by considering both PP and species traits, we were able to predict which species have been observed in the U.S. and which species were more likely to persist. Synthesis and applications. Managers can use the methodology presented herein to generate quantitative pathway‐level models of establishment probability. This methodology is especially appealing because it gives managers the ability to make quantitative estimates of how proposed management actions will affect establishment probabilities, allows managers to control risk without completely restricting trade, can generate predictions for new species in a pathway given knowledge of the species' trait values and informs on the consequences associated with substitutions for species with trade restrictions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».