A null‐model for significance testing of presence‐only species distribution models
Notice bibliographique
Résumé
Species' distribution models (SDMs) attempt to predict the potential distribution of species by interpolating identified relationships between species' presence/ absence, or presence-only data on one hand, and environmental predictors on the other hand, to a geographical area of interest. Currently, they are widely applied in biogeography, conservation biology, ecology, palaeo-ecology, invasive species studies, and wildlife management (Guisan and Zimmermann 2000, Araijo and Pearson 2005, Thuiller et al. 2005, Peterson 2006, Aratijo and Guisan 2006, Guisan et al. 2006). More recently, vast numbers of herbarium and natural history museum collections have become available (Graham et al. 2004) and techniques to apply this special type of presence-only data have been developed (Hirzel et al. 2002, Anderson et al. 2003, Pearce and Boyce 2006, Elith et al. 2006, Phillips et al. 2006). Despite the widespread use of SDMs, several high-priority research interests remain to be investigated (Guisan and Thuiller 2005, Aradjo and Guisan 2006). One of these is the improvement of SDM validation, or the quantification of a model's predictive performance (Araijo and Guisan 2006). The fact that the standard validation procedures for an SDM are not sufficient to assess the applicability of an SDM in a predictive context, was first shown by Olden et al. (2002). They showed that after SDM validation it is critical to assess whether the
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 | 0,090 | 0,193 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,004 |
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 ».