Exploring spatial non-stationarity of fisheries survey data using geographically weighted regression (GWR): an example from the Northwest Atlantic
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
Abstract Windle, M. J. S., Rose, G. A., Devillers, R., and Fortin, M-J. 2010. Exploring spatial non-stationarity of fisheries survey data using geographically weighted regression (GWR): an example from the Northwest Atlantic. – ICES Journal of Marine Science, 67: 145–154. Analyses of fisheries data have traditionally been performed under the implicit assumption that ecological relationships do not vary within management areas (i.e. assuming spatially stationary processes). We question this assumption using a local modelling technique, geographically weighted regression (GWR), not previously used in fisheries analyses. Outputs of GWR are compared with those of global logistic regression and generalized additive models (GAMs) in predicting the distribution of northern cod off Newfoundland, Canada, based on environmental (temperature and distance from shore) and biological factors (snow crab and northern shrimp) from 2001. Results from the GWR models explained significantly more variability than the global logistic and GAM regressions, as shown by goodness-of-fit tests and a reduction in the spatial autocorrelation of model residuals. GWR results revealed spatial regions in the relationships between cod and explanatory variables and that the significance and direction of these relationships varied locally. A k-means cluster analysis based on GWR t-values was used to delineate distinct zones of species–environment relationships. The advantages and limitations of GWR are discussed in terms of potential application to fisheries ecology.
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 | 0,003 | 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 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découle