A spatially explicit method for evaluating accuracy of species distribution models
Notice bibliographique
Résumé
Abstract Aim Models predicting the spatial distribution of animals are increasingly used in wildlife management and conservation planning. There is growing recognition that common methods of evaluating species distribution model (SDM) accuracy, as a global overall value of predictive ability, could be enhanced by spatially evaluating the model thereby identifying local areas of relative predictive strength and weakness. Current methods of spatial SDM model assessment focus on applying local measures of spatial autocorrelation to SDM residuals, which require quantitative model outputs. However, SDM outputs are often probabilistic (relative probability of species occurrence) or categorical (species present or absent). The goal of this paper was to develop a new method, using a conditional randomization technique, which can be applied to directly spatially evaluate probabilistic and categorical SDMs. Location Eastern slopes, Rocky Mountains, Alberta, Canada. Methods We used predictions from seasonal grizzly bear ( Ursus arctos ) resource selection functions (RSF) models to demonstrate our spatial evaluation technique. Local test statistics computed from bear telemetry locations were used to identify areas where bears were located more frequently than predicted. We evaluated the spatial pattern of model inaccuracies using a measure of spatial autocorrelation, local Moran’s I . Results We found the model to have non‐stationary patterns in accuracy, with clusters of inaccuracies located in central habitat areas. Model inaccuracies varied seasonally, with the summer model performing the best and the least error in areas with high RSF values. The landscape characteristics associated with model inaccuracies were examined, and possible factors contributing to RSF error were identified. Main conclusions The presented method complements existing spatial approaches to model error assessment as it can be used with probabilistic and categorical model output, which is typical for SDMs. We recommend that SDM accuracy assessments be done spatially and resulting accuracy maps included in model metadata.
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 | 0,001 | 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 ».