Using classification tree analysis to reveal causes of mortality in an insect population
Notice bibliographique
Résumé
Invasive species pose significant threats to native and managed ecosystems. However, it may not always be possible to perform rigorous, long‐term studies on invaders to determine the factors that influence their population dynamics, particularly when time and resources are limited. We applied a novel approach to determine factors associated with mortality in larvae of the sawfly Profenusa thomsoni Konow, a leafminer of birch, and a relatively recent invader of urban and rural birch forests in Alaska. Classification tree analysis was applied to reveal relationships between qualitative and quantitative predictor variables and categorical response variables in a large data set of larval mortality observations. We determined the state (living or dead) of sawfly larvae in samples of individual leaves. Each leaf was scored for variables reflecting the intensity of intra‐specific competition and leaf quality for leafminers, year of collection and degree‐days accumulated were recorded for each sample. We explored the association of these variables with larval state using classification tree analysis. Leafminer mortality was best explained by a combination of competition and resource exhaustion and our analysis revealed a possible advantage to group feeding in young larvae that may explain previously observed patterns of resource overexploitation in this species. Dead larvae were disproportionately found in smaller leaves, which highlights the potential effect of competition on mortality and suggests that smaller‐leaved species of birch will better able to resist leafminer damage. We show that classification tree analysis may be useful in situations where urgency and/or limited resources prohibit traditional life‐table studies.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».