Mapping Coral Reef Resilience Indicators Using Field and Remotely Sensed Data
Notice bibliographique
Résumé
In the face of increasing climate-related impacts on coral reefs, the integration of ecosystem resilience into marine conservation planning has become a priority. One strategy, including resilient areas in marine protected area (MPA) networks, relies on information on the spatial distribution of resilience. We assess the ability to model and map six indicators of coral reef resilience—stress-tolerant coral taxa, coral generic diversity, fish herbivore biomass, fish herbivore functional group richness, density of juvenile corals and the cover of live coral and crustose coralline algae. We use high spatial resolution satellite data to derive environmental predictors and use these in random forest models, with field observations, to predict resilience indicator values at unsampled locations. Predictions are compared with those obtained from universal kriging and from a baseline model. Prediction errors are estimated using cross-validation, and the ability to map each resilience indicator is quantified as the percentage reduction in prediction error compared to the baseline model. Results are most promising (percentage reduction = 18.3%) for mapping the cover of live coral and crustose coralline algae and least promising (percentage reduction = 0%) for coral diversity. Our study has demonstrated one approach to map indicators of coral reef resilience. In the context of MPA network planning, the potential to consider reef resilience in addition to habitat and feature representation in decision-support software now exists, allowing planners to integrate aspects of reef resilience in MPA network development.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».