Modeling the spatial autocorrelation of pelagic fish abundance
Notice bibliographique
Résumé
The relationship between pelagic fish and ocean temperature is cited in many studies, the majority of which investigate correlations of pelagic species and sea surface temperatures (SST). While appropriate for surface-associated species, this may not be accurate for deep-diving fishes. A different way to examine this relationship is to model spatial autocorrelation of fish species and temperatures at an appropriate range of depths. Spatial autocorrelation, the distance at which data are interdependent, is a potential descriptor of the patch size of an organism. Here we modeled spatial autocorrelation for 5 pelagic species that inhabit different depths in the Gulf of Mexico: dolphinfish Coryphaena hippurus, wahoo Acanthocybium solandri, yellowfin tuna Thunnus albacares, swordfish Xiphias gladius, and bigeye tuna Thunnus obesus. Additionally, we modeled spatial autocorrelation for ocean temperatures at the surface, at 200, and 400 m. We hypothesized that autocorrelation distances will be greater for deeper water temperatures and for species that live at deeper depths due to greater homogeneity of deep waters over greater spatial ranges. Results show average distances of autocorrelation on the order of 55 to 60 km for wahoo and dolphinfish, 90 km for yellowfin tuna, and 135 to 145 km for swordfish and bigeye tuna; the same data for temperature were 75, 135, and 300 km for SST, and at 200 and 400 m depth, respectively. Autocorrelation distances of dolphinfish, wahoo, and yellowfin were correlated with that of of SST, while the autocorrelation distance of swordfish and bigeye were correlated with that of temperatures at 200 m. Results suggest that autocorrelation distances may be useful as a proxy for habitat delineation.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».