The influence of taxonomic level on the performance of a predictive model for water quality assessment
Notice bibliographique
Résumé
Predictive models developed to assess water quality in the Mondego River basin (Portugal), based on the BEnthic Assessment of SedimenT (BEAST) model, were compared at three identifications levels: order, family, and genus (species) of macroinvertebrates. Fifty-five reference sites were originally selected for building the model, but this number was reduced to 51 (lowest level), 52 (family), and 53 (order), after the grouping procedures (CLUSTER, MDS, and SIMPER; Primer 5.2.6, Primer-E Ltd., Plymouth, UK). The discriminating variables (stepwise discriminant analysis) stream order, current velocity, pool quality, and substrate quality were common to the genus (species) and family models. Substrate quality was the only discriminating variable of the order model. The model performances, based on their ability to correctly predict reference site membership (complete MDS with jackknifed cross-validation), ranged from 78% (lowest level) to 81% (family and order levels). Twenty test sites were used to compare site assessments using each of the models. We concluded that the lowest-level model of identification provides the best evaluations of water quality assessment and performed well, that the family-level model reacted similarly and could be a good alternative for bioassessment programmes, and that a greater effort toward improving our knowledge of aquatic macroinvertebrates in Portugal is recommended as species are important in assessing water quality.
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 | 0,013 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».