Predicting invasiveness of species in trade: climate match, trophic guild and fecundity influence establishment and impact of non‐native freshwater fishes
Notice bibliographique
Résumé
Abstract Aim Impacts of non‐native species have motivated development of risk assessment tools for identifying introduced species likely to become invasive. Here, we develop trait‐based models for the establishment and impact stages of freshwater fish invasion, and use them to screen non‐native species common in international trade. We also determine which species in the aquarium, biological supply, live bait, live food and water garden trades are likely to become invasive. Results are compared to historical patterns of non‐native fish establishment to assess the relative importance over time of pathways in causing invasions. Location Laurentian Great Lakes region. Methods Trait‐based classification trees for the establishment and impact stages of invasion were developed from data on freshwater fish species that established or failed to establish in the Great Lakes. Fishes in trade were determined from import data from Canadian and United States regulatory agencies, assigned to specific trades and screened through the developed models. Results Climate match between a species’ native range and the Great Lakes region predicted establishment success with 75–81% accuracy. Trophic guild and fecundity predicted potential harmful impacts of established non‐native fishes with 75–83% accuracy. Screening outcomes suggest the water garden trade poses the greatest risk of introducing new invasive species, followed by the live food and aquarium trades. Analysis of historical patterns of introduction pathways demonstrates the increasing importance of these trades relative to other pathways. Comparisons among trades reveal that model predictions parallel historical patterns; all fishes previously introduced from the water garden trade have established. The live bait, biological supply, aquarium and live food trades have also contributed established non‐native fishes. Main conclusions Our models predict invasion risk of potential fish invaders to the Great Lakes region and could help managers prioritize efforts among species and pathways to minimize such risk. Similar approaches could be applied to other taxonomic groups and geographic regions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».