Representing uncertainty in a spatial invasion model that incorporates human-mediated dispersal
Notice bibliographique
Résumé
Most modes of human-mediated dispersal of invasive species are directional and vector-based. Classical spatial spread models usually depend on probabilistic dispersal kernels that emphasize distance over direction and have limited ability to depict rare but influential long-distance dispersal events. These aspects are problematic if such models are used to estimate invasion risk. Alternatively, a geographic network model may be better at estimating the typically low likelihoods associated with human-mediated dispersal events, but it should also provide a reasonable account of uncertainties that could affect perception of its risk estimates. We developed a network model that assesses the likelihood of dispersal of invasive forest pests in camper-transported firewood in North America. We built the model using data from the U.S. National Recreation Reservation Service, which document visitor travel between populated places and federal campgrounds across the U.S. and Canada. The study area is depicted as a set of coarse-resolution map units. Based on repeated simulations, the model estimates the probability that each unit is a possible origin and destination for firewood-facilitated forest pest invasions. We generated output maps that summarise, for each U.S. state and Canadian province, where (outside the state or province) a camper-transported forest pest likely originated. Treating these output maps as a set of baseline scenarios, we explored the sensitivity of these “origin risk” estimates to additive and multiplicative errors in the probabilities of pest transmission between locations, as well as random changes in the structure of the underlying travel network. We found the patterns of change in the origin risk estimates due to these alterations to be consistent across all states and provinces. This indicates that the network model behaves predictably in the presence of uncertainties, allowing future work to focus on closing knowledge gaps or more sophisticated treatments of the impact of uncertainty on model outputs.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».