Using ecological niche models to predict the abundance and impact of invasive species: application to the common carp
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In order to efficiently manage nonindigenous species (NIS), predictive tools are needed to prioritize locations where they are likely to become established and where their impacts will be most severe. While predicting the impact of a NIS has generally proved challenging, forecasting its abundance patterns across potential recipient locations should serve as a useful surrogate method of estimating the relative severity of the impacts to be expected. Yet such approaches have rarely been applied in invasion biology. We used long-term monitoring data for lakes within the state of Minnesota and artificial neural networks to model both the occurrence as well as the abundance of a widespread aquatic NIS, common carp (Cyprinus carpio). We then tested the ability of the resulting models to (1) interpolate to new sites within our main study region, (2) extrapolate to lakes in the neighboring state of South Dakota, and (3) assessed the relative contribution of each variable to model predictions. Our models correctly identified over 83% of sites where carp are either present or absent and explained 73% of the variation in carp abundance for validation lakes in Minnesota (i.e., lakes not used to build the model). When extrapolated to South Dakota, our models correctly classified carp occurrence in 79% of lakes and explained 32% of the variation in carp abundance. Variables related to climate and water quality were found to be the most important predictors of carp distribution. These results demonstrate that ecological niche-based modeling techniques can be used to forecast both the occurrence and abundance patterns of invasive species at a regional scale. Models also yielded sensible predictions when extrapolated to neighboring regions. Such predictions, when combined, should provide more useful estimates of the overall risk posed by NIS on potential recipient systems.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle