Predicting presence and absence of trout (Salmo trutta) in Iran
Notice bibliographique
Résumé
) is a sensitive species which reacts to habitat changes induced by human impacts. Therefore, the identification of suitable habitats is essential. This study explores the potential distribution of brown trout by a species distribution modelling approach for Iran. Furthermore, modelling results are compared to the distribution described in the literature. Areas outside the currently known distribution which may offer potential habitats for brown trout are identified. The species distribution modelling was based on five different modelling techniques: Generalised Linear Model, Generalised Additive Model, Generalised Boosting Model, Classification Tree Analysis and Random Forests, which are finally summarised in an ensemble forecasting approach. We considered four environmental descriptors at the local scale (slope, bankfull width, wetted width, and elevation) and three climatic parameters (mean air temperature, range of air temperature and annual precipitation) which were extracted on three different spatial extents (1/5/10 km). The performance of all models was excellent (≥0.8) according to the TSS (True Skill Statistic) criterion. Slope, mean and range of air temperature were the most important variables in predicting brown trout occurrence. Presented results deepen the knowledge about distribution patterns of brown trout in Iran. Moreover, this study gives a basic background for the future development of assessment methods for riverine ecosystems in Iran.
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) | 0,025 | 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 ».