Multiscale effects of flow regime and habitat and their interaction on fish assemblage structure in eastern Australia
Notice bibliographique
Résumé
We examine the multiscale influence of environmental and hydrological features of the riverine landscape on spatial and temporal variation in fish assemblages in eastern Australia. Multiresponse artificial neural network models provided accurate predictions of fish assemblages in the Mary River based on species presence–absence data (mean Bray–Curtis similarity between predicted and observed composition = 84%) but were less accurate when based on species relative abundance or biomass (mean similarity = 62% and 59%, respectively). Landscape- and local-scale habitat variables (e.g., catchment area and riparian canopy cover) and characteristics of the long-term flow regime (e.g., variability and predictability of flows) were more important predictors of fish assemblages than variables describing the short-term history of hydrological events. The relative importance of these variables was broadly similar for predicting species occurrence, relative abundance, or biomass. The transferability of the Mary River predictive models to the nearby Albert River was high for species presence–absence (i.e., closer match between predicted and observed data) compared with species abundances or biomass. This suggests that the same landscape-scale features are important determinants of distribution of individual species in both rivers but that interactions between landscape, hydrology, and local habitat features that collectively determine abundance and biomass may differ.
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 | 0,001 |
| 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) | 0,000 | 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 ».