Mapping world-wide distributions of marine mammal species using a relative environmental suitability (RES) model
Notice bibliographique
Résumé
The lack of comprehensive sighting data sets precludes the application of standard habitat suitability modeling approaches to predict distributions of the majority of marine mammal species on very large scales. As an alternative, we developed an ecological niche model to map global distributions of 115 cetacean and pinniped species living in the marine environment using more readily available expert knowledge about habitat usage. We started by assigning each species to broad-scale niche categories with respect to depth, sea-surface temperature, and ice edge association based on synopses of published information. Within a global information system framework and a global grid of 0.5 latitude/longitude cell dimensions, we then generated an index of the relative environmental suitability (RES) of each cell for a given species by relating known habitat usage to local environmental conditions. RES predictions closely matched published maximum ranges for most species, thus representing useful, more objective alternatives to existing sketched distributional outlines. In addition, raster-based predictions provided detailed information about heterogeneous patterns of potentially suitable habitat for species throughout their range. We tested RES model outputs for 11 species (northern fur seal, harbor porpoise, sperm whale, killer whale, hourglass dolphin, fin whale, humpback whale, blue whale, Antarctic minke, and dwarf minke whales) from a broad taxonomic and geographic range, using data from dedicated surveys. Observed encounter rates and species-specific predicted environmental suitability were significantly and positively correlated for all but 1 species. In comparison, encounter rates were correlated with <1 % of 1000 simulated random data sets for all but 2 species. Mapping of large-scale marine mammal distributions using this environmental envelope model is helpful for evaluating current assumptions and knowledge about species' occurrences, especially for data-poor species. Moreover, RES modeling can help to focus research efforts on smaller geographic scales and usefully supplement other, statistical, habitat suitability models. Inter-Research 2006.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».