Identifying insect outbreaks: a comparison of a blind-source separation method with host vs non-host analyses
Notice bibliographique
Résumé
The identification of past insect outbreaks is often determined using a comparison of host/non-host tree ring growth chronologies. Yet this may be a problem when non-hosts are either affected by the outbreaking insect or when the growth of host and non-host trees does not respond similarly to the same climatic factors. We investigate the use of a blind source separation method to identify past outbreaks. This method, used in neurology and called independent components analysis (ICA), directly identifies disturbance patterns. We analysed the tree-ring data from papers dealing with insect outbreaks. These papers focus on western spruce budworm, pandora moth and Douglas-fir tussock moth outbreaks. We compared the results of the original analyses, conducted using the host/non-host approach, with results from ICA. We detected the outbreaks identified in the original papers. However, the start and end dates for the outbreaks were different in 75 per cent of the ICA analyses. On the other hand, we were able to detect growth reduction in non-host Ponderosa pine chronologies as well as increased growth during outbreak periods. Since conventional methods may be less robust when the growth of non-host trees is affected, the ICA may provide a powerful new method to identify outbreaks in such situation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».